有無検査の定義、従来目視検査の限界、AI画像検査による自動化のメリット、導入時の注意点、業界別の活用事例、PoC〜本番導入のステップを元キーエンス画像処理エンジニアが体系的に解説します。
有無検査とは、製品・部品・付属品が「あるべき場所に・あるべきものが・正しく存在するか」を画像で自動判定する検査の総称です。英語では Presence/Absence Inspection と呼ばれます。
製造業では組立工程・梱包工程・出荷前検査のいずれかで有無検査が発生します。部品1つの欠品が製品不良につながり、顧客クレーム・製品回収・ブランド毀損といった深刻な事態を招くため、有無検査は品質保証の最後の砦として位置づけられています。
| 検査対象 | 具体例 | 検出したい欠陥 | 主な発生工程 |
|---|---|---|---|
| 部品装着確認 | ネジ・Oリング・クリップ・チップ部品 | 部品抜け・未装着 | 組立ライン・基板実装 |
| 付属品確認 | 取扱説明書・保証書・ケーブル・付属工具 | 付属品不足・梱包漏れ | 梱包工程・出荷前検査 |
| シール・ラベル貼付確認 | 警告ラベル・QRコードラベル・認証マーク | ラベル貼り忘れ・位置ずれ | 最終工程・梱包 |
| 穴埋め・栓確認 | 保護キャップ・ゴム栓・ブラインドプラグ | 栓抜け・未挿入 | 組立ライン・完成品検査 |
| 数量確認 | セット品の部品点数・ブリスターパック内の錠剤数 | 数量不足・過剰 | 梱包・セット組み |
注目すべきは、これらの検査対象が「見えにくい」「小さい」「透明」「反射する」といった視認困難な特性を持つことが多い点です。ネジ1本の欠品、Oリングの未装着、透明フィルムの貼り忘れ――こうした欠陥は目視では見落としやすく、検査員の集中力と経験に依存する検査では限界があります。
有無検査が不十分だと、どのような事態が起きるのでしょうか。製造業における欠品不良の代償は想像以上に大きくなります。
部品欠品や付属品不足で出荷された製品は、顧客からのクレームとなり返品処理が発生します。返品1件あたりの物流コスト・再梱包・再出荷の手間は数千円〜数万円に上り、クレーム対応の人件費を含めると損失は倍増します。
安全部品の欠品や警告ラベルの貼り忘れは、製品安全上のリスクとなり、最悪の場合はリコール（製品回収）に発展します。リコールのコストは数億円規模となり、ブランド信頼の毀損は金額では測れません。
組立工程で部品欠品が下流工程で発見されると、ライン全体を止めて不良品を探し出す必要があります。ライン停止1時間あたりの損失は数百万円に達する大規模工場もあり、予防的な有無検査の導入は結果的にコスト削減につながります。
見落としによる不良流出は検査員にとって大きな精神的ストレスとなり、離職の原因にもなります。人手不足が深刻化する製造業において、検査員の定着率向上は経営課題です。
これらのリスクを回避するため、多くの製造業では有無検査を最終工程に組み込んでいますが、従来の目視検査には構造的な限界があります。
多くの製造現場では、有無検査を作業員の目視で行っています。しかし、目視検査には以下のような構造的な限界があります。
単純反復作業である有無検査は、時間経過とともに集中力が低下します。特に勤務開始直後・昼食後・勤務終了前は見落としが増える傾向があり、検査精度が時間帯で変動します。
検査員の経験・視力・判定基準の理解度によって検査精度にばらつきが出ます。ベテラン検査員と新人では見落とし率が数倍異なることもあり、品質の均一化が困難です。
数mm単位の部品、透明な部材、反射する金属面などは目視では見落としやすく、検査員が拡大鏡やライトを使っても限界があります。
タクトタイムが短い高速ラインでは、検査員が1点あたり数秒しか確認時間を取れず、見落としリスクが高まります。生産速度を上げると検査精度が下がるというトレードオフが発生します。
24時間稼働する工場では夜勤シフトでの目視検査が必要ですが、深夜帯の集中力維持は困難であり、ヒューマンエラーの温床となります。
これらの限界を解消する手段として、AI画像検査による有無検査の自動化が急速に普及しています。
AI画像検査は、カメラで撮影した画像をAIが解析し、部品の有無を自動判定する技術です。従来の目視検査の限界を以下のように解消します。
| 課題 | 従来の目視検査 | AI画像検査 |
|---|---|---|
| 集中力低下 | 時間帯・疲労で精度が変動 | 24時間均一精度 |
| 個人差 | 検査員のスキルで精度にばらつき | 全ライン・全シフトで同一基準 |
| 小さな部品 | 見落としリスク大 | 高解像度カメラで数mm単位の欠品も検出 |
| 高速ライン対応 | タクトタイム短縮に限界 | 数百ms単位の高速判定 |
| 夜勤負担 | 深夜シフトの精度低下 | 無人稼働可能 |
| 記録・トレーサビリティ | 記録が残らない | 全検査画像・判定結果を自動保存 |
有無検査のAI画像検査には、大きく2つの方式があります。
部品の輪郭や特徴点を検出し、事前に登録したテンプレート（良品画像）と比較する方式。高速・安価だが、照明変動や角度ずれに弱く、多品種対応には再設定が必要です。
良品・不良品の画像を学習させたAIモデルが、部品の有無を自動判定する方式。照明変動・角度ずれ・背景ノイズに強く、多品種対応も容易です。現在の主流はこちらです。
Nsight Vision（スマートカメラ検査パッケージ）は深層学習方式を採用しており、従来のテンプレートマッチング方式では対応困難だった複雑な有無検査を自動化できます。
ボルト・ナット・クリップの装着確認、保護キャップの装着確認、警告ラベル貼付確認。不良流出が重大事故につながる可能性があるため、100%検査が求められます。
基板上のチップ部品実装確認、コネクタ挿入確認、ケーブル結束バンドの装着確認。部品点数が多く目視では限界がある領域で、AI画像検査の導入が進んでいます。
付属スプーン・調味料パックの封入確認、錠剤のブリスター充填確認、添付文書の同梱確認。異物混入と並ぶ重大クレーム要因であり、自動化による均一検査が求められます。
サンプル品の封入確認、シールの貼付確認、キャップの装着確認。ギフトセット・限定パッケージなど多品種小ロット生産が多く、品種切替が容易なAI検査が有効です。
多品種外観検査ソリューションでは、品種切替時のAI再設定を最小限に抑え、柔軟な生産体制を支援しています。
AI画像検査の精度は撮影環境に大きく依存します。照明の明るさ・角度、カメラの位置・焦点、背景の反射などを安定させる必要があります。特に透明部品や反射面の検査では、専用照明の設計が重要です。
深層学習方式のAIは、良品・不良品の画像データを学習して精度を高めます。導入初期には数十〜数百枚の画像収集が必要であり、不良品サンプルが少ない場合は擬似不良を作成して学習させることもあります。
AI検査では「過検出（良品を不良と誤判定）」と「見逃し（不良を良品と誤判定）」のバランス調整が必要です。過検出を嫌って閾値を緩めると見逃しが増え、逆に厳しくすると過検出で後工程の手戻りが増えます。現場の運用方針に応じた調整が重要です。
大規模なライン改造なしで導入できるよう、カメラ・照明・PCの設置スペースを確保し、搬送コンベアの速度・停止位置と同期させる必要があります。ライン停止時間を最小限に抑えた設置計画が求められます。
| ステップ | 内容 | 期間目安 | 成果物 |
|---|---|---|---|
| ①ヒアリング | 検査対象・現場環境・タクトタイム・精度要件の確認 | 1〜2週間 | 要件定義書・画像サンプル |
| ②PoC（概念実証） | 実画像での検出精度検証・照明設計・AI学習 | 2〜4週間 | 精度レポート・PoC実機 |
| ③本番導入 | ライン組み込み・AIチューニング・運用トレーニング | 1〜2か月 | 本番稼働システム・運用マニュアル |
| ④横展開 | 他ライン・他工場への展開・AI再学習 | 継続的 | 標準化された導入手順 |
Nsightでは、ヒアリングと画像サンプルによる初期検証を無料で実施しています。実際の検査対象画像を数十枚お送りいただければ、AI検出の実現可能性と精度見込みを1〜2週間でご報告します。
ヒアリングからPoC完了まで約3〜5週間、本番導入まで含めると2〜3か月が一般的な目安です。検査対象の種類数や撮影環境の複雑度によって前後しますが、PoC段階で実運用に近い精度検証を行うため、本番移行はスムーズに進められます。
はい、カメラの解像度と撮影距離を適切に設計すれば、数mm単位の部品欠品も検出可能です。現場実績では、ネジ1本の有無・Oリングの装着確認・チップ部品の実装確認などを自動化しています。
はい、大規模なライン改造なしで導入できます。カメラ・照明・PCをライン横に設置し、既存の搬送コンベアやパレットを活用して撮影します。ライン停止時間を最小限に抑えた設置実績が多数あります。
適切なカメラ・照明・AI設定を組み合わせた場合、99%以上の検出精度が期待できます。透明部品や反射面など難易度の高い対象は精度が下がるため、PoC段階で実画像による検証を推奨しています。