外観検査のAI化で最初に詰まるのは、多くの場合アルゴリズムではなく「不良画像が足りない」という一点です。合成データやデータ拡張はこの壁をどこまで崩せるのか。効く場面と、実欠陥との乖離という越えにくい限界を、現場の手触りで見ていきます。
製造現場で人手不足と検査員の高齢化が進み、目視検査をAI画像検査に置き換えたいという相談は年々増えています。ところが実際に着手すると、多くのプロジェクトはアルゴリズムの前段、つまり「学習させる不良画像がそもそも集まらない」という地点で止まります。良品は毎日いくらでも流れてくるのに、不良品は歩留まりが良いほど手元に残っていない。品質を高めてきた工程ほど、AIに教えるための失敗例が枯渇しているという逆説がここにあります。
この構造は、社会的な要請とも噛み合っていません。食品の異物混入対策、部品のトレーサビリティ、輸出先の品質規制など、検査を強化する圧力は強まる一方です。しかし現場の実務としては、稀にしか出ない不良を人間が見逃さないよう緊張を強いられ、その負荷を機械に移したくても、移すための教師データが無い。この記事では、その空白を合成データやデータ拡張でどこまで埋められるのか、そしてどこからは埋めきれないのかを、誠実に切り分けていきます。
AI検査というと「大量の不良画像を学習させれば精度が出る」というイメージが先行しがちです。しかし現場では、不良の種類が多く一つひとつの発生頻度が低い、あるいは新製品の立ち上げ時点では不良サンプルがゼロに近い、という状況が普通です。ここで「まず一年かけて不良を溜めましょう」では事業が回りません。合成データやデータ拡張への関心は、この時間的・現実的な制約から自然に生まれるものだと考えられます。まずは外観検査自動化の入門で全体像を押さえたうえで、データ不足という個別論点を掘り下げていきます。
「不良画像が足りない」と一括りにすると対策を誤ります。実際には性質の異なる不足が混在しているため、まずはこれを分解して考えたいところです。この切り分けをせずに合成データへ飛びつくと、本来は撮像で解決すべき問題を無理に学習で解こうとして、遠回りになりやすいと考えられます。
第一は「量の不足」です。不良の種類は分かっていて実物も少しはあるが、統計的に学習させるには枚数が心もとない、という状態。ここはデータ拡張や合成データが最も貢献しうる領域です。第二は「多様性の不足」で、同じ傷でも照明角度・製品ロット・汚れの重なり方でバリエーションが無限にあるのに、手元のサンプルが一部の見え方に偏っているケース。ここは拡張だけでは補いきれず、撮像条件の設計とセットで考える必要があります。
そして第三、最も見落とされがちなのが「そもそも欠陥が画像に写っていない」不足です。照明や光学系が適切でないために、人の目には見える傷がカメラ画像上ではコントラストとして立っていない。この状態では、どれだけ画像を水増ししても学習は成立しません。合成データで増やすべきなのは「見えている欠陥のバリエーション」であって、「見えていない欠陥」を合成で捏造しても、実機では検出できないものを学習させることになりかねないからです。
元キーエンス画像処理事業部で数多くの現場に入った経験から言えるのは、検査が難しい案件の多くは第三の不足に根があるということです。合成データの検討に入る前に、「その欠陥は本当に画像として写せているのか」を一度立ち止まって確認する。この順序を守ることが、後戻りを減らす鍵になると考えます。
不良画像を補う手段は大きく三つに整理できます。それぞれ「何を増やせるか」「実欠陥からどれだけ離れうるか」が異なり、混同すると期待外れになりやすいので、性質を分けて捉えることをおすすめします。
回転・反転・明るさやコントラストの変動・ノイズ付与・わずかな幾何変形といったデータ拡張は、既存画像から派生を作る手法です。新しい欠陥そのものを生み出すわけではなく、「同じ欠陥が少し違う条件で撮られたらどう見えるか」の幅を広げます。照明のわずかな揺らぎやワークの置かれ方のブレに強くしたい、という目的には相性が良いと考えられます。一方で、手元に無い種類の欠陥を作り出すことはできないため、多様性そのものが乏しい場合の決定打にはなりにくいという限界があります。
3D CGで対象ワークと欠陥を再現し、照明・材質・角度を振ってレンダリングする手法です。傷の深さや打痕の形状、光沢面での映り込みなど、物理的な見え方をパラメータとして制御できるのが強みで、実物が一枚も無い立ち上げ初期でも候補データを用意しうる点は魅力です。ただし、材質の質感や微細な表面状態を実物どおりに作り込むコストは高く、作り込みが甘いと「CGらしさ」を学習してしまい、実画像で崩れる懸念があります。撮像設計とレンダリング条件を揃える作り込みが前提になります。
画像生成モデルで欠陥画像を合成したり、良品画像へもっともらしい欠陥を描き込んだりするアプローチは、見た目の多様性を短時間で増やせる可能性があります。近年はVLM（視覚言語モデル）で「この欠陥はどういう見え方の系列か」を言語的に捉えて生成を制御する試みも広がりつつあります。反面、生成物が実欠陥の物理と無関係な「それっぽい模様」になりやすく、検査という誤りの許されない用途では、生成画像を鵜呑みにせず実欠陥と突き合わせる工程が欠かせないと考えます。ソフトと撮像ハードを一体で設計するAI画像検査パッケージの観点からも、生成は撮像で見えている範囲の補完に留めるのが安全だと考えられます。
合成データの成否を分ける唯一にして最大の論点は、合成した不良が実際の不良と学習上どれだけ一致しているか、いわゆるドメインギャップの管理です。人の目に「似ている」ことと、AIモデルにとって「同じ分布に属する」ことは別問題で、見た目が近くても輝度分布やテクスチャの周波数成分が違えば、モデルは合成品と実物を別カテゴリとして扱ってしまうことがあります。この乖離を放置したまま枚数だけ増やすと、合成データ上では高精度に見えるのに実機で通用しない、という典型的な失敗に陥りやすいと考えられます。
乖離を抑える最初の一手は、合成のリアリティを上げることよりも、実機側の撮像条件を先に固定することだと考えます。照明・レンズ・ワーキングディスタンス・背景を安定させ、実欠陥がどう写るかの「基準の見え方」を確定させる。その基準に合わせて合成条件を作り込めば、合成と実物のギャップは縮めやすくなります。逆に撮像が不安定なまま合成を頑張っても、実物側がブレ続けるので合わせ込む対象が定まりません。撮像設計と合成データはセットであり、順序としては撮像が先だと整理しています。
現実的な設計としては、少量でも実欠陥を主軸に据え、合成データはその周辺を埋める補完として混ぜる比率設計が扱いやすいと考えられます。学習データを全て合成で賄うのではなく、実物の分布を土台にして、頻度の低い欠陥や撮り漏らした角度を合成で足す。どの比率が適切かはワークと欠陥次第で一概には言えず、モデルによる前提の置き方で変わるため、実際には現物・現場での検証を通じて調整するほかないと考えます。この検証設計そのものが難所であることは、AI検査PoCの進め方でも触れているとおりです。
合成データを入れた効果は、感覚ではなく検証で確かめる必要があります。ここで重要なのは、評価に使うテストデータには合成品を一切混ぜず、実機で撮った実欠陥だけで評価するという原則です。学習に合成を使うのは構いませんが、成績表まで合成で採点してしまうと、実力を過大評価する危険があります。実欠陥の評価セットは貴重なので、貯まった実物は極力テスト側へ回す発想が現実的だと考えられます。
外観検査では、不良を良品と判定する見逃しと、良品を不良と判定する過検出の両方が問題になります。合成データを足すと片方は改善しても片方が悪化することがあり、片側の指標だけを見て「効いた」と判断すると現場で痛い目を見ます。とくに過検出は歩留まりや工数に直結するため、運用に載せる前に、実物での見逃し・過検出の傾向を両方確認しておきたいところです。具体的な数値目標は製品と工程の許容条件で決まるもので、一般論として「◯%出る」と断じることはできません。あくまで現物での検証結果に基づいて判断すべきだと考えます。
運用が始まると、ロット変更・材料切り替え・季節による環境変動などで、写る画像は少しずつ変わっていきます。合成データで補って立ち上げた検査も、実欠陥が徐々に貯まってくるにつれて、実物中心の学習へ重心を移していくのが自然な流れだと考えられます。合成データは永続的な主役ではなく、実データが薄い初期や稀少欠陥の穴を埋める「足場」として使い、実物が集まった分だけ足場を外していく。この移行を運用計画に織り込んでおくと、精度の維持がしやすくなると考えます。
最後に、合成データやデータ拡張で実際に起きやすい落とし穴を挙げます。いずれも「合成で枚数を増やせば解決する」という思い込みから生まれるもので、事前に知っておくだけで回避しやすくなると考えます。
これらは裏を返せば、合成データを使う前に「何が見えていて、何が見えていないか」を客観的に把握できていれば、多くが避けられる問題です。検査可否そのものの見極めについては、PoC・検査方式設計の相談という形で撮像から一緒に切り分ける進め方もあります。
現実的な進め方を段階で整理します。第一歩は、合成データの検討ではなく「対象欠陥が撮像で写るか」の確認です。少数でも実物のサンプルを、想定する照明・光学系で撮ってみて、欠陥がコントラストとして立っているかを見る。ここが崩れていれば、まず撮像設計をやり直すのが先決で、合成データはその後の話になります。
第二段階は、写ることが確認できた欠陥に対して、データ拡張で撮像のブレへの頑健性を確保しつつ、不足している多様性を合成データで補う設計に入ります。ここでも合成は補完に徹し、実欠陥を主軸に据えます。第三段階は、実機で撮った実欠陥だけの評価セットで見逃しと過検出を確認し、合成比率や拡張の強さを調整する。そして運用後は実データの蓄積に応じて合成の比重を下げていく。この一連の流れは、いきなり本番規模で回すのではなく、小さなPoCで確かめてから広げるのが安全だと考えます。
元キーエンス画像処理事業部の現場知見に、VLM・Jetsonエッジ・産業用カメラ・現場ライティングを組み合わせる立場からは、合成データは「撮像で見えている世界を賢く広げる道具」であって、「見えない世界を作り出す魔法」ではない、というのが率直な整理です。不良画像が足りないという困りごとは、多くの場合その手前の撮像設計に本質があります。まずは現物を一度撮ってみるところから、一緒に切り分けていければと考えます。
実欠陥が一枚も無い立ち上げ初期でも、CGレンダリングや生成AIで候補データを作り検討に入ることは可能だと考えられます。ただし合成だけで運用に載せるのは危うく、少量でも実欠陥を撮って評価に用いること、そして撮像でその欠陥が写っているかを先に確認することが前提になると考えます。まずは現物を撮るところから始めるのが現実的です。
データ拡張は既存画像から派生を作り、撮像条件のブレへの頑健性を高める用途に向きます。CGレンダリングや生成AIは、手元に無い種類や角度の欠陥を新たに作り出せる可能性がありますが、実欠陥との乖離管理が必要です。多様性そのものが乏しい場合は後者、撮像のブレに強くしたい場合は前者、と目的で分けるのが扱いやすいと考えられます。
見た目が似ていても輝度分布やテクスチャの統計が違うと、モデルが合成品と実物を別物として扱う、ドメインギャップと呼ばれる現象が起きうるためです。対策としては、撮像条件を先に固定して基準の見え方を確定させ、それに合わせて合成を作り込むこと、実欠陥を主軸に据えて合成を補完に留めること、評価は実欠陥だけで行うことが挙げられると考えます。
画像を合成で補うこと自体を一律に禁じる一般的な制度は、現時点で広く知られているものではないと考えられます。ただし業界や輸出先ごとに品質記録・トレーサビリティの要件が異なる場合があり、検査記録の扱いに影響しうるため、適用範囲や具体的な要件は所管省庁や取引先の最新の公表資料でご確認ください。
学習に合成を使う場合でも、評価には合成品を混ぜず実機で撮った実欠陥だけを用いるのが原則だと考えます。見逃しと過検出の両方を確認し、片側だけで判断しないこと、合成比率や拡張の強さは決め打ちせず現物での検証で調整することが重要です。適切な数値目標は製品と工程の許容条件で決まるもので、一般論として断定はできません。
合成データが効くかどうかは、その欠陥が撮像で写っているかを見てからでないと判断できないと考えます。少数のサンプルと想定条件で撮ってみて、写り方から一緒に切り分けます。撮像設計・PoCの視点で、無理のない進め方をご提案します。
合成データでの検査学習について相談する