「ほつれや目飛びを一日中目で追っていると、見落としが怖い」。その疲労と不安は、検査そのものが難しい対象を人の目だけに背負わせているサインかもしれません。この記事では、繊維・縫製品の外観検査を画像でどこまで扱えるか、撮り方とばらつきの許容から考えます。
縫製の検査工程では、上がってきた製品を一枚ずつ手に取り、縫い目を目でたどり、生地を裏返し、汚れやほつれ、目飛び、柄ずれがないかを確認していきます。この作業を一日中続けると、目の疲労とともに「今のは見落としていないか」という不安が積み重なっていきます。検査は本来、流出を止めるための安心材料のはずなのに、検査そのものが不安の源になっている——そんな声を現場でよく聞きます。
背景には、繊維・アパレル産業に共通する人手不足と技能の継承問題があります。良品と不良の微妙な境界を見分けられる検査員は、多くの場合、長年の経験で「この程度のほつれは許容、これは流出させてはいけない」という感覚を体に持っています。しかしその感覚は言語化されにくく、採用も育成も難しい。結果として、限られた熟練者に検査が集中し、その人が休むとラインの品質が揺れる、という構造になりがちです。
取引先からの品質要求が厳しくなり、クレーム一件の重みが増すなかで、「抜取検査のままでは怖い、全数を見たい」という判断に傾く現場が増えています。ですが縫製品を人の目で全数見るのは、工数的にも集中力の面でも限界があります。ここで画像検査という選択肢が視野に入ってきますが、金属加工部品のように整った対象と違い、柔らかく形の定まらない布をどう検査するかは、そう単純ではありません。この記事では、その難しさを正直に分解しながら、どこから手を付けると現実的かを考えていきます。
縫製品の外観検査が難しい最大の理由は、対象が剛体ではないことにあります。金属部品なら同じ姿勢で置けば毎回ほぼ同じ像が得られますが、布はわずかな張力や置き方で皺の入り方が変わり、光の当たり方が変わり、同じ製品でも撮るたびに見え方が揺れます。この「揺れ」が、良品なのに不良に見えたり、逆に不良が皺に紛れて見えなくなったりする原因になります。
ひとくちに縫製の不良と言っても、性質はかなり異なります。ほつれは糸が面から浮き上がる立体的な変化で、光を斜めに当てると影として立ちますが、真上から均一に照らすと消えてしまいます。目飛び（ステッチの抜け）は縫い目のピッチの乱れであり、正常な縫い目との差分でしか捉えられません。汚れは色・輝度の局所的な変化で、生地の柄が濃いと埋もれます。柄ずれは幾何的なパターンのずれで、生地が伸びているだけなのか本当にずれているのかの切り分けが要ります。ひとつの照明・ひとつの撮り方で全部を同じように捉えるのは難しい、というのが出発点の理解になります。
もうひとつの壁は、良品にもともと個体差があることです。天然繊維では毛羽立ちや色の濃淡、織りムラは正常範囲に含まれ、これらは不良ではありません。つまり検査は「異常を見つける」だけでなく「正常な個体差と異常を区別する」タスクになります。この境界は数値でスパッと引けるものではなく、限度見本という形で運用されているのが実情です。検査を機械化する際にも、この「限度見本の感覚」をどう写像するかが核心になると考えられます。
検査の相談を受けると、いきなり「どのAIを使うか」「認識率はどれくらい出るか」という話になりがちですが、繊維・縫製の検査では、その前段の撮像設計で成否の多くが決まると考えています。不良が画像上でコントラストとして立っていなければ、どんなアルゴリズムでも安定しては拾えません。逆に、照明と角度を工夫して不良がはっきり見える像を作れれば、判定はぐっと楽になります。ここは元キーエンス画像処理事業部で撮像・照明を詰めてきた知見が最も効く領域だと考えています。
ほつれや浮いた糸のような立体的な欠陥は、低い角度から光を当てるローアングル照明で影を作ると立ちやすくなります。一方、汚れや色ムラのような面的な欠陥は、均一な拡散光でフラットに照らしたほうが素直に見えます。目飛びのようなピッチの乱れは、縫い目の陰影が出る条件で撮って正常な周期からのずれを見ます。つまり狙う不良によって理想の照明は変わり、複数の不良を一度に見たい場合は、照明を切り替えて複数枚撮るか、条件を妥協して優先順位をつける判断が要ります。この撮像レイアウトの検討はカメラ・照明・レンズ設計として、対象が確実に写る条件から詰めていくのが現実的です。
柄ずれや縫い目ピッチのように「基準からの幾何的なずれ」は、パターンマッチや周期解析といった従来手法が素直に効く場合があります。一方、ほつれや汚れのように「見え方が多様で言語化しにくい欠陥」は、VLMを含む学習ベースの手法が、良品と不良の膨大な例から境界を掴むのに向いていると考えられます。全部をAIに任せるのでも、全部を旧来のルールで書くのでもなく、不良の性質ごとに向いた手法を割り当てる設計が、結果的に安定しやすいと考えています。撮像・照明・判定を一体で組むAI画像検査パッケージは、この役割分担を前提に構成しています。
繊維・縫製の検査を機械化するうえで避けて通れないのが、「どこまでを良品とみなすか」という許容の線引きです。人の検査員は限度見本を横目に見ながら、経験でこの線を引いています。画像検査に置き換えるとき、この曖昧で連続的な境界を、なんらかの形で判定基準に落とし込む必要があります。ここを詰めずに導入すると、良品を不良と判定する過検出が多発して現場が疲弊するか、逆に緩めすぎて流出する、という両極に振れがちです。
設計の順序としては、まず良品側のばらつきを把握することをおすすめします。同じ「良品」とされる製品を数十点撮り比べると、毛羽立ち・色濃淡・皺の入り方がどれだけ振れるかが見えてきます。この振れ幅の外側に出たものを異常候補とする、という考え方であれば、正常な個体差を不良と誤認するリスクを抑えやすくなります。不良の例だけを集めて学習させるより、良品が本来どう揺れるかを押さえるほうが、実運用での安定につながると考えられます。
すべてを機械が最終判定する前提にすると、境界付近の微妙な個体で必ず無理が出ます。現実的な設計のひとつは、機械が「明らかに良品」「明らかに不良」「判断が微妙」の三つに振り分け、微妙なものだけ人が確認する二段構えです。これなら人の負荷を大きく減らしつつ、判断が難しい部分は熟練の目に残せます。全数を人が見る辛さから、判断が割れる少数だけを人が見る形へ——この移行が、縫製検査では無理のない着地点になりやすいと考えています。
縫製の現場は多品種・小ロットで、生地も色も柄も頻繁に切り替わります。検査システムを一度作って終わり、とはいかず、新しい品種が入るたびに撮像条件や判定基準を合わせ込む運用が続きます。ここを軽く見ると、「導入したが新製品に対応できず、結局また目視に戻った」という結末になりかねません。運用しやすさは、初期精度と同じくらい、あるいはそれ以上に重要だと考えています。
新しい生地や柄を追加するとき、どれくらいのサンプルを撮り、どれくらいの手間で基準を更新できるのかは、方式選定の段階で見積もっておきたいポイントです。毎回大量の不良サンプルを集めて再学習が必要な方式だと、不良がそもそも滅多に出ない縫製現場では回りません。良品中心で基準を組める方式や、少数の追加で対応できる方式のほうが、多品種の現場には向いていると考えられます。
取引先の要求や季節の生地変更で、限度見本そのものが更新されることもあります。そのとき検査基準を誰がどう見直すのか、変更の履歴をどう残すのかを運用ルールとして決めておかないと、いつの間にか基準が現場ごとにばらつく、という事態になります。機械化はこの基準を明文化・共有する良い機会でもあり、属人的だった限度感を組織の資産に変える契機になりうると考えています。
縫製品の画像検査は、期待だけで進めるとつまずきやすい領域です。導入前に知っておくと判断を誤りにくい落とし穴を、正直に挙げておきます。
ここまで難しさを並べてきましたが、悲観する必要はありません。多くの現場で有効なのは、いきなり全数自動化を目指さず、自社の現物で「どこまで写り、どこから境界が曖昧になるか」を小さく確かめることです。良品と不良、限度見本近辺の微妙な個体を数十点集めて撮り比べるだけでも、どの不良が撮像で立ち、どの不良が難しいのかがかなり見えてきます。
この検証結果があってはじめて、「全数化に踏み込むか、抜取を強化するか」「どの不良を機械に任せ、どこを人に残すか」という判断が現実的な根拠を持ちます。判定可否と方式を小さく検証してから本格投資に進むPoC・検査方式設計は、まさにこの「確かめてから決める」を工程化したものです。生地そのものの外観検査についてはtextile fabric defect inspection aiもあわせて参考になると思います。
検査は流出を止めるための守りであると同時に、属人的だった限度感を組織の基準として残していく取り組みでもあります。目で全数を追う辛さと不安を、判断が割れる少数だけを人が見る形へ——その移行の第一歩は、派手な導入宣言ではなく、手元の現物を一度きちんと撮って眺めてみることから始まると考えています。
不良が画像上でコントラストとして立つように撮像・照明を設計できれば、拾える可能性は高まると考えられます。ほつれは斜め光で影を作る、目飛びは縫い目の周期のずれを見るなど、不良ごとに向いた撮り方があります。ただし見え方が毎回変わる対象なので、まず現物での検証を通じてどこまで安定するかを確かめることが前提になります。
それは縫製検査で最も重要な論点のひとつです。対策としては、良品を数十点撮り比べて正常な個体差の振れ幅を先に把握し、その外側に出たものを異常候補とする考え方が有効と考えられます。不良例だけを学習させるより、良品が本来どう揺れるかを押さえるほうが、過検出を抑えやすくなると考えています。
方式次第です。毎回大量の不良サンプルで再学習が必要な方式は、不良が希少な縫製現場では回りにくいと考えられます。良品中心で基準を組める方式や、少数の追加で新品種に対応できる方式のほうが多品種には向きます。品種追加にかかる手間は方式選定の段階で見積もっておくことをおすすめします。
どちらが適切かは、対象の不良がどこまで機械で安定して見えるか次第です。まず現物で検証し、見逃しと過検出のバランスを把握してから判断するのが現実的と考えられます。全数を機械が最終判定するのでなく、判断が微妙な少数だけ人が確認する二段構えも、無理のない着地点になりうると考えています。
自社の良品・不良・限度見本近辺の微妙な個体を、合わせて数十点ほど用意いただくのが出発点になります。これらを撮り比べることで、どの不良が撮像で立ち、どこから境界が曖昧になるかが見えてきます。仕様の要求水準や対象とする面（表・裏・縫い代など）も整理しておくと、方式検討がスムーズに進むと考えられます。
縫製品の検査は、対象が写るかどうかを現物で確かめるところから始まります。良品・不良・限度見本近辺のサンプルを数十点、どう撮れば不良が立つのか、どこから境界が曖昧になるのかを一緒に検証します。全数化するか抜取を強化するかの判断も、その結果を見てからで十分です。
縫製品の外観検査について相談する