抜取検査で合格したはずのロットから不良が流出し、客先から全数検査を要求される。なぜ抜取りでは止められないのか、抜取検査が本来保証しているものは何か。統計の意味から検査体制の設計まで、切り替え判断の軸を整理します。
「AQLで合格したロットから不良が出た」「客先から全数検査を求められた」——品質保証の現場で最も心が折れる瞬間の一つです。手順どおりに抜き取り、規格どおりに判定し、合格印を押した。それでも流出は起きる。担当者がまず抱くのは「自分たちの検査が甘かったのか」という自責ですが、話はそう単純ではありません。
抜取検査は、そもそも「ロットの中の不良をゼロにする」ための仕組みではありません。統計的サンプリングによって「ロット全体の品質水準を一定の確からしさで推定する」仕組みです。つまり設計上、合格ロットに一定数の不良が混じることを許容しています。ここを取り違えたまま「合格＝不良ゼロ」と客先も自社も暗黙に期待していると、流出のたびに『検査が機能していない』という誤った結論に飛びついてしまいます。
流出が続くと、多くの現場は「抜取り数を増やす」「基準を厳しくする」という方向に進みます。これは一定の効果はあるものの、統計の性質上、抜取り数を倍にしても検出できる欠陥の下限が劇的に下がるわけではありません。稀にしか出ない欠陥（ppm水準）を抜取りで捕まえるには、事実上ロットの大半を検査する必要が出てきます。それは実質的に全数検査であり、抜取りの枠組みの中で解こうとすること自体に無理が生じ始めているサインだと考えられます。
抜取検査を正しく使うには、その言葉が何を約束しているのかを分けて理解する必要があります。AQL（合格品質水準）は「この不良率までのロットは高い確率で合格させる」という、生産者側の目線で決めた許容ラインです。一方でLTPD（ロット許容不良率）や消費者危険は「悪いロットを誤って合格させてしまう確率」を扱います。合格判定は、これらの確率設計の上に成り立っている『賭け』の結果であって、個々のロットに対する品質保証書ではありません。
抜取方式にはOC曲線（検査特性曲線）が付随します。これは「実際の不良率がこのくらいのとき、合格する確率はこのくらい」を描いた曲線です。ここを一度見ると、たとえ真の不良率が数%あっても、ある確率でそのロットが合格してしまうことが読み取れます。合格は『不良が無い証明』ではなく『不良率が許容範囲内である蓋然性が高い』という推定にすぎない、という事実がグラフとして立ち上がってきます。数値やパラメータの詳細な設計はJISや各種規格の最新版でご確認いただくのが確実です。
合格ロットからの流出には、実は性質の違う複数の原因が混ざっています。①統計上想定内の見逃し（抜取りの構造的限界）、②抜取方式の選定ミス（ロットサイズや検査水準の設定不良）、③検査そのものの精度不足（人手の見落とし・基準のばらつき）、④そもそも規格で拾えない欠陥種。これらを一緒くたに『検査ミス』とすると対策を誤ります。まずは自社の流出が主にどれなのかを、流出クレームへの向き合い方で扱うような要因分解の視点で切り分けることが、全数化を検討する前の出発点になると考えられます。
「じゃあ全数検査に切り替えよう」——客先要求を受けて、まず人手での全数検査を追加する現場は多いです。しかしこれは、コストと品質の両面で見えにくい負債を抱え込むことになります。全数検査＝100%見つかる、ではないからです。
人による外観検査は、単調な作業を長時間続けるほど検出率が下がることが、人間工学の知見として広く知られています。集中の持続には限界があり、良品が延々と流れる中で稀に混じる不良を見つけ続けるのは、生理的に非常に負荷の高い作業です。結果として、全数を『目で見て』いても、件数と欠陥率次第では一定割合の見逃しが残るのが実態だと考えられます。全数化したのに流出が止まらない、という二次的な悩みはここから生まれます。
人手全数のコストは、検査員の人件費だけではありません。採用難と定着率、教育に要する時間、判定基準の属人化とばらつき、増産時に人を増やせないボトルネック、そして『見逃したら誰の責任か』という心理的負荷。これらを含めた総コストで見ると、人手全数は想像以上に高くつきます。AI検査のコストとROIの考え方で、人手全数を『現状の基準ケース』として棚卸ししてみると、比較の土台が見えてきます。
かつて全数検査は、人手ではコストと精度が見合わず、専用の画像処理装置を組もうにも『ルールベースで欠陥を定義しきれない』という壁がありました。傷・打痕・汚れ・にじみのように、一つひとつ形の違う欠陥を、しきい値や特徴量のルールで書き切るのは極めて難しい。ここが多品種・変種変量の現場で全数自動化が進まなかった根本原因です。
VLM（視覚言語モデル）ベースの外観検査は、『良品はこういう状態、これは異常』という判断を、ルールを細かく書かずに学習・言語指示で扱える方向に前進させました。少量多品種でも、品種ごとに膨大なルールを組み直さずに済む可能性が出てきています。これにより、これまで人手全数しか選べなかった領域でも自動全数検査が選択肢に入り、目視検査のAI置き換えが現実的な検討対象になってきた、という構造変化が起きていると考えられます。
ただしモデルが賢いだけでは現場は動きません。ワークを安定して写す『産業用カメラと現場ライティング』、その場で判定するための『Jetson等のエッジ処理』、そして『元キーエンス画像処理事業部の現場知見』に基づく撮像・治具設計。Nsightがこの組み合わせを重視するのは、外観検査の成否の大半が『欠陥が画像に写っているか』という撮像側で決まるからです。逆に言えば、ここを詰めずにAIだけ導入しても期待した精度は出にくい、という点は正直にお伝えすべきところです。
では、どういう条件なら抜取りから全数へ切り替えるべきか。感情や客先の圧力だけで決めると持続しません。「流出コスト」「工程能力」「検査コスト」の三軸で客観的に把握することを、判断の出発点にすることをおすすめします。
一件の流出が、返品・選別・信用毀損・取引縮小まで含めていくらの損失につながるか。安全・法規制に関わる部品か、代替の効く汎用品か。ここが大きいほど、多少検査コストが増えても全数化する合理性が高まります。逆に流出コストが限定的なら、抜取りの最適化で足りることもあります。
検査は最後の砦であって、不良を減らす本命は工程側です。工程能力指数（Cpk等）が十分に高く、不良がppm水準で安定しているなら、検査は監視的な抜取りで足りる場合があります。逆に工程が不安定で不良率が読めないなら、抜取りでは取りこぼしのリスクが高く、全数で受け止める必要性が上がる、という順序で考えると判断がぶれにくくなります。数値指標の定義は各種品質管理規格の最新版でご確認ください。
全数化すると決めたなら、次は『人手で全数』と『AIで全数』の比較です。生産量が多く連続的なほど、自動化の投資回収は現実的になりやすい傾向があります。少量・変種変量なら、段取り替えの手間や品種追加の運用まで含めて評価する必要があります。この見極めこそ、机上の計算だけでなくPoC・検証設計の相談で現物を試す価値が大きい領域だと考えられます。
抜取りから全数AI検査への移行は、一足飛びに『人ゼロ・全自動』を目指すと失敗しやすいものです。現実的なのは、リスクの高い欠陥種・品種から段階的に自動化し、人はAIが迷ったものの確認と、AIが拾えない領域に集中する、という役割分担の設計です。
導入初期は、従来検査とAI検査を並走させ、AIが人と比べて何を拾えて何を逃すか、逆に良品を不良と誤判定（過検出）していないかを実データで測ることが重要です。過検出が多いと良品を捨てるコストと現場の不信を招き、取り逃しが多いと全数化の意味が薄れる。両者のバランス点を、その現場の流出コストに照らして決めていく作業になります。
客先が求めているのは往々にして『全数検査という体制』であって、必ずしも『人がやること』ではありません。AIによる全数検査に加え、判定ログが残り追跡できること、基準が属人化しないこと——こうした点はむしろ人手より説明しやすい面があります。移行時は、検査記録の残し方や逸脱時の対応フローまで含めて、品質保証の物語として設計しておくと、客先の納得を得やすいと考えられます。
最後に、抜取り→全数の切り替えで陥りがちな落とし穴を、正直に挙げておきます。ここを知っておくだけで、無駄な回り道を減らせます。
抜取りか全数か、人手かAIか——この問いに一般論の正解はありません。あるのは『自社の流出コスト・工程能力・生産形態に照らした、その現場ごとの最適解』です。だからこそ、まずは自社の流出が統計上の限界なのか、方式の設定ミスなのか、検査精度の問題なのかを切り分け、三軸で現状を数値として棚卸しすることが最初の一歩になります。
その上で全数AI検査を検討するなら、カタログスペックではなく、実際のワーク・実際のラインで『その欠陥が写るか、拾えるか、過検出は許容範囲か』を試すことが欠かせません。Nsightは元キーエンス画像処理事業部の現場知見をベースに、撮像設計から現物での検証までを前提としています。相談することで、まずは切り分けの視点を整理するところからでも始められます。押し売りはしませんので、判断材料を増やす場としてご活用いただければと考えています。
必ずしも検査ミスとは限りません。抜取検査は「ロット全体の品質水準を確率的に推定する」仕組みで、合格ロットにも一定数の不良が混じることを設計上許容しています。合格は不良ゼロの証明ではなく、不良率が許容範囲内である蓋然性が高いという推定です。ただし方式の設定ミスや検査精度不足が原因のこともあるため、要因の切り分けが必要と考えられます。
一定の効果はありますが、統計の性質上、抜取り数を増やしても検出できる欠陥の下限が劇的に下がるわけではありません。ppm水準の稀な欠陥を抜取りで捕まえるには実質的にロットの大半を検査する必要が出てきます。そこまで来ると抜取りの枠組みで解くこと自体に無理があり、全数検査の検討段階に入っていると考えられます。
全数検査でも精度が100%になるわけではありません。人による外観検査は疲労や集中力の低下で検出率が下がることが知られており、件数と欠陥率次第では一定割合の見逃しが残るのが実態と考えられます。全数化は流出リスクを下げる手段であって、流出ゼロを約束するものではないと捉えるのが誠実です。
「流出コスト（一件の流出がいくらの損失か）」「工程能力（そもそも不良を出さない力）」「検査コスト（人手全数かAI全数か）」の三軸で客観的に把握することを出発点にするのがおすすめです。流出コストが大きく工程が不安定なほど全数化の合理性が高まります。感情や客先の圧力だけで決めると持続しにくいと考えられます。
モデルが賢いだけでは現場は動きません。欠陥が画像に写るための産業用カメラ・レンズ・ライティング・治具の設計が精度を大きく左右します。また未学習の欠陥種の取り逃しや過検出も起こりえます。だからこそカタログ値ではなく、実際のワーク・実際のラインでの検証が前提になると考えられます。効果や数値は現物での検証を通じてご確認ください。
流出が統計上の限界なのか、方式や検査精度の問題なのか——まずは切り分けから整理できます。全数AI検査を検討するなら、実際のワークとラインで「写るか・拾えるか・過検出は許容範囲か」を現物で確かめるところから始めましょう。押し売りはいたしません。
全数検査化の判断について相談する