外観検査のAI導入で最初にぶつかるのが「VLMか、従来型のCNNか」という問いです。どちらが優れているかではなく、あなたの現場の品種数・仕様変更の頻度・集められる教師データの量・求められる説明性によって、答えは変わります。判断軸を一本ずつ分解して考えます。
製造・食品・物流の現場で外観検査の自動化が議論されるとき、その裏にはたいてい共通の社会的背景があります。熟練した目視検査員の高齢化と採用難、多品種少量化による品種切替の増加、そして品質保証への要求水準の上昇です。人手に頼った検査は属人化しやすく、担当者が変わるたびに判定基準が揺れる。こうした構造的な課題が、AI画像検査への関心を押し上げていると考えられます。
ところがいざ導入を検討し始めると、多くの担当者が最初の分岐でつまずきます。「AI検査」と一口に言っても、従来からある教師あり学習のCNN（畳み込みニューラルネットワーク）と、近年注目されるVLM（Vision Language Model、画像と言語を結びつけるモデル）とでは、得意な領域も準備の仕方もまるで違うからです。ベンダーによって推す技術が違い、比較の土俵すら揃わない、という声もよく聞きます。
結論から言えば、VLMとCNNは優劣で並べるものではないと考えます。両者は前提とするデータ量、変化への強さ、判定根拠の出し方が異なり、向く工程がそれぞれ違います。大切なのは「どちらが賢いか」ではなく「自社のこの工程の条件に、どちらの性質が噛み合うか」を見極めることです。本稿では、その判断軸を一つずつ分解していきます。外観検査自動化の入門をまだ読んでいない方は、先にそちらで全体像をつかんでおくと、この先の比較が理解しやすくなると思います。
まず両者の性質を、現場の言葉で整理します。従来型のCNNによる外観検査は、大量の「良品画像」と「不良品画像」をラベル付きで学習させ、見たことのある不良のパターンを画像特徴から分類・検出する方式です。傷・欠け・汚れといった不良を、あらかじめカテゴリとして教え込むイメージです。学習が済めば推論は高速で軽く、判定は安定します。
一方VLMは、画像と自然言語を同じ土俵で扱えるモデルです。「表面に0.5mm以上の黒い異物があれば不良」「印字がかすれて判読できなければ不良」といった判定基準を、言葉で記述して指示できる点が最大の特徴です。膨大な事前学習を経ているため、その工程専用の不良画像を大量に集めなくても、指示文（プロンプト）で基準を伝えることで、ある程度の判定を試みられる可能性があります。
この違いが最も効いてくるのが不良サンプルの確保です。CNNは基本的に、判定したい不良ごとにある程度まとまった枚数の実例画像を必要とします。ところが現場では、そもそも不良が滅多に出ない、出ても種類がばらばらで枚数が揃わない、という状況が珍しくありません。VLMは「良品はこういう状態、これを外れたら不良」と言語で境界を示せるため、稀少な不良や、まだ見たことのない新種の不良に対しても、原理的には対応の余地があると考えられます。
品質保証の現場では、判定結果そのものと同じくらい「なぜそう判定したか」が重要になります。CNNは判定は返しますが、その根拠は画像特徴の内部表現であり、人間に分かる言葉での説明は別の工夫を要します。VLMは判定基準を言語で持つため、「ここに指示した基準を外れる箇所があるため不良と判断」といった根拠を言葉で返せる可能性があり、監査対応や現場への説明という観点で相性が良い場面があると考えます。ただし、その説明が常に正確である保証はなく、検証は欠かせません。
抽象論のままでは自社に当てはめられません。そこで、実際の工程を採点するための4つの軸を提案します。この4軸で自社の対象工程を眺めると、CNN寄り・VLM寄り・両者併用のいずれに傾くかが見えてくると考えます。
扱う品種が少なく、ラインで流れるものが安定しているほど、CNNの土俵です。品種ごとにデータを集めて作り込む投資が回収しやすいからです。逆に品種が多く、日に何度も切り替わり、少量ずつ多種類が流れる工程では、品種ごとにモデルを用意する負担が重くのしかかります。判定基準を言葉で切り替えられるVLMの柔軟性が効いてくる余地が大きくなると考えられます。
製品の意匠変更、包材の切替、印字レイアウトの改訂——こうした仕様変更が頻繁に起きる工程では、CNNは変更のたびに再学習のサイクルが発生しがちです。VLMは基準を記述した指示文の修正で追従できる場面があり、変化の速い製品群では運用負荷を抑えられる可能性があります。ただし、変更の程度によっては指示文の調整だけでは足りず、結局は検証と作り込みが要る点は正直に見ておくべきです。
「良品・不良品それぞれを、種類ごとに十分な枚数、確実に集められるか」。これがCNNの成否を大きく左右します。集められるならCNNの安定性と速度は強力な武器です。集めにくい、あるいは不良が稀すぎる場合は、少ないデータでも立ち上げを試みられるVLMの性質が現実解になりうると考えます。
判定根拠の言語化がどれだけ求められるか、そして1個あたりに許される判定時間はどれくらいか。説明性を重視するならVLMの言語出力が向く一方、極めて高速なタクトが必要な工程では、軽量で推論の速いCNNが有利になる場面が多いと考えられます。この2つは時にトレードオフになり、現場の優先順位で答えが変わります。
4つの軸を組み合わせると、現場はいくつかの典型に整理できます。あくまで傾向であり、最終判断は現物検証を前提とする点を踏まえたうえで、考え方の見取り図として示します。
同じものが大量に、高速で流れるライン。不良の見た目が概ね決まっていて、実例画像も蓄積しやすい。こうした条件では従来型CNNの安定性・速度・低コストな推論が生きます。作り込みの初期投資はかかりますが、量産で回収でき、判定のブレも小さく抑えやすいと考えられます。
品種が多く切替が頻繁、しかも不良サンプルが揃わない。CNNで品種ごとにデータを集め作り込むのが現実的でない工程です。ここでは判定基準を言葉で記述できるVLMの柔軟性が、立ち上げのハードルを下げてくれる可能性があります。ただし精度は指示文の設計と現物での検証に強く依存し、「言葉で書けば即動く」ものではない点は誠実に押さえておくべきです。
実務では、一次判定に軽量なCNNを置いて明らかな良品を高速にさばき、判断に迷うグレーゾーンや稀少な不良のみをVLMに回す、といった役割分担も考えられます。逆に、VLMで柔軟に基準を運用しつつ、頻出する定型不良だけCNNに固めていく進め方もあります。技術選定は択一ではなく、工程の中で使い分ける設計の問題だと捉えると、選択肢が広がると考えます。より具体的な検討はAI画像検査パッケージのように、ソフトとハードを一体で見る枠組みで進めると齟齬が減ると思います。
ここで最も伝えたいことを一つ。VLMかCNNかというモデルの議論は、実は検査システムの下流の話です。その上流に、はるかに成否を左右する要素があります。撮像設計——照明、レンズ、カメラ、画角、ワークの搬送と姿勢の設計です。
どれほど高性能なモデルでも、そもそも欠陥が画像に写っていなければ判定はできません。微細な打痕は照明の当て方一つで見えたり消えたりします。透明フィルムの傷、金属表面の微細なムラ、印字のかすれ——これらは撮像条件で写り方が劇的に変わります。モデル選定の前に「不良がちゃんと写る撮像を作れているか」を問うことが、遠回りに見えて確実な近道だと考えます。
この撮像設計こそ、Nsightが強みとする領域です。元キーエンス画像処理事業部の営業と開発エンジニアが積んだ現場知見を軸に、産業用カメラ・レンズ・現場ライティングの設計と、VLM/AIによる判定、Jetsonエッジでの実行までを一体で考えます。モデルだけを切り出して比較するのではなく、「その不良を写す撮像」と「その撮像に合うモデル」を同時に設計することが、実運用に耐えるシステムの条件になると考えます。
モデルを選んで立ち上げても、それは出発点にすぎません。製品は変わり、季節で材料の色味が動き、新しい不良が現れます。検査システムは、この変化に追従し続けられて初めて現場で生き残ります。ここでもVLMとCNNで運用の性格が変わります。
CNNは新種の不良や仕様変更に対して、追加の画像を集めて再学習するサイクルを回すのが基本です。運用チームが画像の収集・アノテーション・再学習・検証の流れを持てるかが鍵になります。VLMは指示文の調整で追従を試みられる場面がある一方、変更の影響が予期せぬ挙動として現れることもあり、変更のたびに現物での再検証を欠かさない規律が要ります。どちらも「入れたら放置で動き続ける」ものではない、という前提は共通です。
外観検査には、不良を良品と誤る「見逃し」と、良品を不良と弾く「過検出」があり、両者は基本的にトレードオフの関係にあります。どちらをどこまで許容するかは技術ではなく事業判断です。見逃しが致命的な安全部品と、過検出による歩留まり悪化が痛い量産品とでは、閾値の置き方がまったく変わります。モデル選定と同時に、この運用ポリシーを現場と決めておくことが実運用の質を左右すると考えます。
最後に、実際の検討でよく踏む落とし穴を正直に挙げます。ここを事前に知っておくだけで、無駄な回り道をかなり減らせると考えます。
ここまでの整理を踏まえた、現実的なはじめ方を示します。第一歩は、対象ワークの現物と、想定する不良サンプル（あるだけで構いません）を持ち寄ることです。そのうえで、照明・レンズ・画角を含めて「不良が画像に写るか」を客観的に確かめます。ここが揺らぐと、以降の議論はすべて砂上の楼閣になります。
撮像で不良が捉えられる見込みが立ったら、次に本稿の4つの軸——品種数と切替頻度、仕様変更の起きやすさ、集められるデータ量、説明性とタクト——で工程を採点し、CNN寄り・VLM寄り・併用のいずれに傾くかの仮説を立てます。そして小さく区切ったPoCで、その仮説を自社の現場条件のもとで検証します。この順序を守ることが、遠回りに見えて最も確実だと考えます。
どのモデルを選ぶにせよ、撮像設計から判定、エッジでの実行までを一体で見ないと、実運用で綻びが出やすくなります。FA・外観検査の自動化では、こうしたソフト×ハード一体の考え方をパッケージとして整理しています。自社の工程でどちらが噛み合うか迷ったら、まずは現物を前にした検証から一緒に確かめていくのが良いと考えます。
一律にどちらが高いとは言えないと考えます。品種が少なく不良の見た目が安定し教師画像を十分集められる工程では従来型CNNが堅く、多品種・仕様変更が多くデータが集まりにくい工程ではVLMが効く可能性があります。精度は工程条件と撮像設計、そして自社現物での検証結果に強く依存するため、実際のワークで確かめることが前提になります。
「まったく不要」とは言えないと考えます。VLMは判定基準を言葉で記述でき、少ないデータでも立ち上げを試みられる場面がある一方、実運用に耐える精度に近づけるには、その工程の現物を使った検証と指示文の調整が欠かせません。集めにくい稀少な不良への対応余地はありますが、検証工程を省けるわけではない点は正直に押さえておくべきです。
モデルの前に、まず「不良が画像に写る撮像を作れるか」を確かめることだと考えます。照明・レンズ・画角の設計で欠陥が捉えられなければ、どのモデルを選んでも判定はできません。撮像で不良を捉えられる見込みが立ってから、品種数・仕様変更・データ量・説明性の観点でモデルを検討する順序が、現実的で確実だと考えます。
傾向としてはVLMに検討の余地があると考えます。仕様変更のたびにCNNは再学習のサイクルが発生しがちですが、VLMは判定基準を記述した指示文の調整で追従できる場面があるためです。ただし変更の程度によっては指示文の修正だけでは足りず、結局は現物での再検証と作り込みが要ります。変更のたびに検証を欠かさない運用規律が前提になります。
可能で、実務では有効な選択肢になりうると考えます。軽量なCNNで明らかな良品を高速にさばき、判断に迷うグレーゾーンや稀少な不良のみをVLMに回す、といった役割分担が考えられます。技術選定は択一ではなく、工程の中で使い分ける設計の問題と捉えると選択肢が広がります。最適な分担は工程条件とタクトタイム次第のため、現物での検証をおすすめします。
モデル選定の答えは、カタログではなく現物の中にあります。対象ワークと不良サンプルを前に、まず「不良が写るか」の撮像から一緒に確かめ、そのうえでどちらのモデルに寄せるかを検証します。元キーエンス画像処理事業部の現場知見を軸に、撮像設計から判定・エッジ実行まで一体でご相談に応じます。
モデル選定と現物検証について相談する