織キズ・汚れ・色ムラ・異物・破れといった生地の表面欠陥は、連続巻取り・広幅・微妙な色差ゆえに目視検査の負担が大きく見落としも生じやすい領域です。難しさの構造と、画像AIによる広幅連続検査の観点を整理します。
繊維・生地の検査は、外観検査のなかでも特に難易度が高い領域のひとつだと考えられています。金属部品や成形品の検査であれば、対象は一定の形状を持ち、欠陥も「キズ」「打痕」「バリ」といった比較的定義しやすいものが中心です。これに対して生地は、素材そのものが柔らかく、たわみ、伸び、しわが寄ります。そのうえ織りや編みの組織が細かい周期パターンを持ち、そのパターン自体が画像上では「模様」として現れます。欠陥はこのパターンに紛れ込む形で発生するため、背景と欠陥の分離が本質的に難しいのです。
もう一つの特徴は、対象が「連続している」ことです。プレートや部品のように一枚ずつ区切って検査できるのではなく、反物が巻き取られながら数十メートル、数百メートルと連続して流れていきます。検査は止めずに、流れる生地を見続けることになります。広幅の生地であれば、横方向にも一度に見なければならない範囲が広く、端から端まで均一に・連続的に・見落としなく確認することが求められます。この「広幅 × 連続 × 高速」という条件が、検査の難しさを一段押し上げていると考えられます。
生地の欠陥は種類が多岐にわたります。代表的なものを挙げると、糸切れや浮き・引き込みといった織キズ・編みキズ、油や手垢・搬送系からの付着による汚れ・シミ、染色工程に起因する色ムラ・染めムラ・段差、糸くずや毛羽・他繊維の混入といった異物、そして破れ・穴・ほつれなどがあります。これらは見え方の性質がまったく異なります。織キズは局所的で輪郭がはっきりしている一方、色ムラは広い範囲に緩やかに広がり、どこからが「ムラ」でどこまでが「許容範囲の個体差」なのか境界が曖昧です。一つの検査方式ですべてを均等に捉えることは難しく、欠陥のタイプごとに撮像や判定の考え方を変える必要があると考えられます。
生地の場合、同じ品番でもロットや染色条件によって色味や風合いに自然なばらつきが生じます。つまり「良品」そのものに幅があり、その幅のなかでの変動は欠陥ではありません。検査とは、この自然なばらつきを許容しながら、許容できない欠陥だけを拾い上げる作業です。ところがこの線引きは、現場のベテランが経験的に持っている感覚であることが多く、明文化された基準として書き出されていないケースが少なくありません。基準の言語化が難しいこと自体が、自動化を妨げる構造的な要因になっていると考えられます。後段で触れる目視検査の限界の議論とも、ここは深くつながっています。
多くの繊維工場では、検反（けんたん）と呼ばれる工程で、検査員が検反機の上を流れる生地を目視で確認しています。生地は一定速度で巻き取られ、検査員はその表面を見続けながら、欠陥を見つけたらマーキングしたり、機械を止めて記録したりします。一見すると単純な作業に見えますが、これは集中力と熟練を要する負担の大きい仕事です。
動き続ける生地を長時間見続ける作業では、注意力が時間とともに低下していくことが知られています。人の視覚は、変化や動きには敏感ですが、一定速度で流れ続ける均一なパターンに対しては慣れが生じ、わずかな異常を見逃しやすくなります。とりわけ色ムラのように「言われてみれば気づくが、流し見では気づきにくい」タイプの欠陥は、検査員の疲労度や時間帯によって発見率が変動しやすいと考えられます。休憩の取り方やシフトの組み方で見落とし傾向が変わるという話は、現場でしばしば聞かれるものです。
目視検査の難しさは、判定そのものが「見る条件」に強く依存することにもあります。光の当たり方、生地を見る角度、検査員の立ち位置、室内の照明色——こうした条件がわずかに変わるだけで、同じ欠陥が見えたり見えなかったりします。特に色ムラや微妙なシミは、斜めから光を当てると見えるが正面からは見えない、といったことが起こります。つまり同じ生地でも、誰がどの条件で見たかによって結果が変わりうるわけです。この再現性の低さは、検査の信頼性を考えるうえで見過ごせない論点だと考えられます。
検反は、長年の経験で「良し悪し」を体に染み込ませたベテランに支えられている工程でもあります。どの程度のムラなら通すか、どの位置のキズは致命的かといった判断は、マニュアルよりも経験知に依存しがちです。これは品質を支える強みである一方、その人がいなくなると判定基準が揺らぐという脆さでもあります。採用難や高齢化が進むなかで、この技能をどう引き継ぐかは多くの繊維現場に共通する課題になりつつあると考えられます。技能の継承という観点では、製造現場の内製AI教育のような取り組みとも問題意識が重なります。
こうした背景から、人の検査を完全に置き換えるかどうかは別として、人の負担を減らし、見落としのばらつきを抑える補助手段への関心が高まっていると考えられます。次節では、その候補としての画像AIがどのような観点で生地検査に関わりうるかを整理します。
画像AIによる生地検査は、おおまかに言えば「流れる生地を連続的に撮像し、画像のなかから欠陥候補を抽出し、人の判断を支える」という流れになります。ここで重要なのは、最初から「全自動で合否を出す」ことを目標に置くのではなく、まずは人が見落としやすいものを拾い、人の最終判断を助けるという補助の位置づけから入るのが現実的だという点です。外観検査自動化の進め方でも触れている通り、検査の自動化は段階的に組み立てるほうが定着しやすいと考えられます。
前述の通り、生地の欠陥は性質が大きく異なります。そのため、ひとつのアルゴリズムで均等に捉えるよりも、タイプごとに捉え方を分けて考えるほうが筋が良いと考えられます。
生地検査では、すべての欠陥の見本を事前に十分そろえることが難しい場合があります。珍しい欠陥ほどサンプルが集まりにくいからです。このため、「良品（正常な織りパターン）を多く学習し、そこから外れるものを異常候補として拾う」という異常検知の発想と、「拾った候補が織キズか汚れか色ムラかを仕分ける」という分類の発想を組み合わせる考え方が現実的だと考えられます。良品基準を中心に据えることで、見たことのない種類の欠陥にもある程度反応できる可能性があり、これは欠陥の種類が読み切れない生地検査と相性が良い面があると考えます。
近年は、画像とともに自然言語の指示や説明を扱えるモデル（VLM＝視覚言語モデル）の発展により、「この生地でこういう見え方をしたものは欠陥として扱う」といった指示を、より柔軟に反映できる可能性が出てきています。基準を完全に数値で固定するのではなく、言葉で表現された判断のニュアンスを取り込みやすくなる方向性は、基準の言語化が難しい生地検査にとって相性が良い可能性があると考えます。ただしこれは可能性の話であり、実際の効果は素材ごとの現物検証で確かめる必要があります。Nsightが扱う工程の可視化の枠組みのなかで、こうした判定をどう運用に載せるかが実務上の論点になります。
画像AIの性能は、入力となる画像の質に大きく左右されます。とりわけ生地検査では、「どう撮るか」「どう照らすか」「どの速度で流すか」という物理的な設計が、アルゴリズム以上に結果を決めることがあります。ここを軽視すると、どれほど高度なモデルを使っても安定した検査にはつながりにくいと考えられます。これは外観検査全般に通じる原則であり、元キーエンス画像処理事業部の知見が活きる領域でもあります。
色ムラや微妙なシミ、浅い織キズは、照明の当て方ひとつで見えたり見えなかったりします。正面から均一に照らす拡散照明は色の評価に向く一方、表面の凹凸やわずかな織りの乱れは、斜めから当てる低角度照明のほうが影として強調され、見えやすくなります。つまり、捉えたい欠陥のタイプによって最適な照明が異なるわけです。複数の照明条件を切り替える、あるいは組み合わせるといった設計が必要になる場面も多いと考えられます。広幅の生地全体を端から端まで均一な明るさで照らすこと自体が、設計上の難所のひとつです。
広幅の生地を一度に撮ろうとすると、視野を広げる分だけ一画素あたりがカバーする面積が大きくなり、細かな欠陥の分解能が落ちます。逆に分解能を上げようとすると視野が狭くなり、横方向に複数のカメラを並べて継ぎ目なくつなぐ必要が出てきます。連続して流れる生地には、流れ方向に画素を並べて連続画像を生成するラインスキャン方式が用いられることが多く、生地速度とスキャン速度を正確に同期させる設計が前提になります。「どの大きさの欠陥まで捉えたいか」という要求が、視野・分解能・カメラ構成を決める出発点になると考えられます。
生地は止まらず流れ続けるため、撮像時の露光中に対象が動くとブレが生じます。生地速度が速いほど露光時間を短くする必要があり、そのぶん十分な光量を確保しなければなりません。ここでも照明設計が効いてきます。また、生地のたわみやはためきによってカメラとの距離（ピント）が変動すると、像がぼけて欠陥が埋もれます。テンションの管理やガイドによる安定搬送など、機械側の作り込みも検査品質の一部だと考えるべきです。検査は画像処理だけで完結するものではなく、搬送・照明・撮像・判定が一体となって初めて成り立つ、という視点が欠かせません。
検査システムは、設置して終わりではありません。むしろ運用に乗せてからが本番です。生地検査では、判定基準の調整と、人とAIの役割分担の設計が、定着の成否を分けると考えられます。
検査AIの感度を上げれば、わずかな変動も欠陥候補として拾います。これは見逃しを減らす一方、本来は良品である自然なばらつきまで欠陥として通知してしまう「過検出」を増やします。過検出が多すぎると、現場はやがて通知を信用しなくなり、結局すべてを人が見直すことになって導入の意味が薄れます。逆に感度を絞りすぎれば、肝心の欠陥を見逃します。この過検出と見逃しのバランスは、品番・素材・要求品質ごとに調整が必要で、唯一の正解があるわけではありません。現場が許容できる過検出の水準を見極めながら、運用しつつ詰めていく性質のものだと考えられます。
AIが「欠陥候補」と判定したとき、なぜそう判断したのか——どの位置の、どういう見え方を欠陥としたのか——を画像とともに記録できると、運用が大きく変わります。人がその記録を確認し、「これは欠陥」「これは許容」とフィードバックしていくことで、判定基準が現場の実態に合わせて育っていきます。これは同時に、ベテランの暗黙知を少しずつデータとして形に残していく営みでもあり、属人化の緩和や技能伝承にもつながりうると考えます。検査結果を記録・蓄積する仕組みは、単なる合否判定を超えて、品質を管理する資産になりうる観点です。
現実的な運用像は、AIがすべてを自動で合否判定するというより、AIが欠陥候補を広く拾い、人が最終確認と難しい判断を担うという協働の形になることが多いと考えられます。流れる生地を人が連続注視する負担をAIが肩代わりし、人は「候補として挙がった箇所」に集中して判断する——この分担なら、見落としのばらつきを抑えつつ、微妙な判断は人の経験を活かせます。どこまでをAIに任せ、どこからを人が見るかの線引きは、現場の品質要求とリスク許容度に応じて設計すべき論点です。目視検査の限界とその解決策でも、この役割分担の考え方を整理しています。
生地検査の自動化を検討するうえで、事前に意識しておきたい「つまずきやすい点」を整理します。これらは技術の優劣というより、進め方や前提の置き方に関わるものが多いと考えられます。
これらに共通するのは、「生地検査は素材ごとに個別性が強く、汎用の正解を持ち込みにくい」という性質です。だからこそ、小さく試して現物で確かめながら詰めていくアプローチが向いていると考えられます。
ここまで見てきたように、生地の欠陥検査は「広幅 × 連続 × 多様な欠陥 × 曖昧な良品の幅」という条件が重なる、難易度の高い領域です。だからこそ、机上の検討や他社事例の数値で結論を出すのではなく、自社の生地・自社の欠陥で段階的に確かめながら進めることが重要だと考えます。最後に、現実的な道筋を整理します。
はじめから全ラインの全欠陥を対象にするのではなく、まずは対象を絞った検証から入ることをおすすめします。たとえば、課題が大きい特定の品番・特定の欠陥タイプ（織キズ、あるいは色ムラなど）に絞り、実際の生地サンプルで撮像条件を作り込み、どの程度の欠陥まで安定して捉えられるかを確かめます。ここで得られる「捉えられるもの／捉えにくいもの」の手応えが、その後の投資判断や範囲拡大の土台になります。検証で基準と運用の勘所が固まってから、対象品番や欠陥タイプを段階的に広げていくのが、定着しやすい進め方だと考えられます。
検証の過程で集めた良品・欠陥の画像と判定記録は、それ自体が貴重な資産になります。ロット差を含む良品の幅、珍しい欠陥の見本、人とAIの判断が分かれたケース——こうしたデータを継続的に積み上げ、基準にフィードバックしていくことで、検査は時間とともに自社の実態に馴染んでいきます。検査を一度きりの導入ではなく、工程の可視化と品質データの蓄積という継続的な営みとして捉える視点が、長期的な効果を左右すると考えます。
Nsightは、元キーエンス画像処理事業部出身の監修者を中心に、照明・撮像・判定を一体で捉える外観検査の知見をもとに、生地検査のような難易度の高い領域に向き合っています。一方で、繊維・生地の検査は素材ごとの個別性が極めて強く、「どこかで通用した方式がそのまま当てはまる」とは限りません。だからこそ私たちは、カタログの数値で結論を急ぐのではなく、お客様の現物・現場での検証を通じて、何が捉えられて何が難しいのかを一緒に確かめていく進め方を大切にしています。まずは小さく試し、手応えを共有しながら次の一歩を決める——そうした現物起点の取り組みが、生地検査の自動化では特に有効だと考えます。PoC・検証のご相談から、現物を前にした対話を始めていただければと思います。
色ムラや染めムラのように良品との差が連続的で境界が曖昧な欠陥は、輪郭のはっきりした織キズより難しい部類です。広い範囲での色・濃度分布の傾向を捉え、良品の自然なばらつきの幅をどう定義するかが鍵になります。素材・品番ごとの作り込みと、照明・色の校正が前提となり、効果は現物での検証を通じて確かめることが重要だと考えます。
珍しい欠陥ほどサンプルが集まりにくいのは多くの現場に共通する課題です。すべての欠陥見本をそろえる前提ではなく、正常な織りパターン（良品）を多く学習し、そこから外れるものを異常候補として拾う「異常検知」の発想を組み合わせる考え方があります。見たことのない欠陥にもある程度反応しうる可能性がありますが、実際の有効性は素材ごとの検証が前提です。
広幅では、視野を広げるほど細かな欠陥の分解能が落ちるため、横方向に複数カメラを継ぎ目なく並べる、ラインスキャンで連続画像を生成するといった撮像構成の設計が必要になります。「どの大きさの欠陥まで捉えたいか」という要求が視野・分解能・カメラ台数を決める出発点です。広幅全体を均一に照らす照明設計とあわせて、現物条件での設計検証が欠かせないと考えます。
現実的な運用像は、AIが欠陥候補を広く拾い、人が最終確認と難しい判断を担う協働の形になることが多いと考えられます。流れる生地を連続注視する負担をAIが肩代わりし、人は候補箇所に集中して経験を活かした判断を行う——この分担が見落としのばらつきを抑えつつ品質を支えます。完全な置き換えを前提にするより、人の負担軽減と判定の安定化から入るのが定着しやすいと考えます。
繊維・生地は素材・織り・色・要求品質が現場ごとに大きく異なるため、他社事例やカタログの数値がそのまま自社に当てはまる保証はありません。まずは課題の大きい品番・欠陥タイプに絞ったPoC（検証）で、何が安定して捉えられ何が難しいかを現物で確かめることをおすすめします。その手応えが、範囲拡大や投資判断の現実的な土台になると考えます。
織キズ・汚れ・色ムラ——生地検査は素材ごとの個別性が強く、現物で確かめることが何より重要です。元キーエンス画像処理事業部出身の監修者とともに、小さく試して手応えを共有するところから始めましょう。
PoC・検証を相談する