自動車部品の5分類外観判定で工程改善へ

導入の背景と課題

「NGで弾く」だけでは品質は上がらない

本事例は、国内大手自動車部品メーカー様のスピーカー外観検査工程です。スピーカー製品は、車内の音響品質を左右する重要部品で、表面のキズ・打痕・異物付着は商品価値に直結します。従来の検査は目視＋ルールベース画像処理を組み合わせ、OK/NGの二値判定で流出を防ぐ運用でしたが、経営視点では以下の課題を抱えていました。

経済産業省「ものづくり白書」でも、製造業のDX推進において「検査データの活用による予防保全・工程改善」が重要テーマとして挙げられています。単に不良品を排除するだけでなく、検査データを次の改善アクションの起点にする設計が求められています。

Nsightのアプローチ

二値判定を5カテゴリに拡張し、検査を改善データに

Nsightは、従来のOK/NG二値判定を5カテゴリ分類に拡張するアプローチを採用しました。各カテゴリは、発生原因の推定が付いた形で定義されており、検査データをそのまま工程改善のエビデンスとして活用できます。

• 5分類の設計：①軽微キズ（手直し可能）②深刻キズ（排出）③打痕（工程要因の可能性）④異物付着（環境要因）⑤変色・ムラ（材料・工程要因）。カテゴリ定義は顧客の工程特性に合わせてカスタマイズします
• マルチクラスAI判定：従来の二値CNNではなく、マルチクラス分類モデルを採用。各欠陥に対して「種類」「信頼度」「位置」をセットで出力します
• VLMによる教師データ生成：5カテゴリ × 多品種 × 多数サンプルの教師データを人手で揃えるのは困難。VLMが良品画像から各カテゴリの仮想NG画像を生成することで、短期間での学習立ち上げを実現
• 改善ダッシュボード：カテゴリ別の発生頻度・位置分布・時系列推移をダッシュボード化。品質管理・工程改善のPDCAを回せるデータ基盤を提供

実機の検査画面（イメージ）

スピーカーユニットの外観画像を解析し、5カテゴリのいずれかで判定。欠陥位置と種類を個別に記録します。

※実機画面のイメージです。カテゴリ定義・ワークフロー連動は顧客の工程特性に合わせてカスタマイズします。

導入効果

検査方式の比較：自動車部品の分類判定

自動車業界は品質データの連続性・追跡可能性（トレーサビリティ）が厳しく求められる業界です。Nsight Edgeの5分類判定は、単なる検査の高精度化にとどまらず、サプライチェーン全体の品質データ基盤として機能します。

技術的ポイント：分類判定の設計と運用

5カテゴリの設計が現場の打ち手を決める

マルチクラス分類の精度以前に重要なのがカテゴリ設計です。カテゴリは「AIが判定できる粒度」であると同時に「現場が次のアクションを取れる粒度」でなければ意味がありません。Nsightでは、導入前のヒアリング段階で「この欠陥を検出したとき、現場ではどういうアクションを取るか」を工程責任者と一緒に洗い出し、アクションが分岐するカテゴリを5つに絞る設計を行います。カテゴリが多すぎるとAI精度が落ち、現場も迷います。少なすぎると改善の打ち手が見えません。このバランスを取るのがコンサルティング的な価値の核です。

VLMによる多カテゴリ教師データ生成

5カテゴリ × 多品種 × 十分なサンプル数の教師データを実際に集めるのは困難です。特に「稀にしか発生しない欠陥カテゴリ」は、1年かけても数十枚しか集まらないことがあります。NsightはVLMに「この製品の打痕はこういう見え方をする」「この位置にこういう異物が付く」という知識を与え、カテゴリごとの仮想NG画像を大量生成。実データが少ない段階でもマルチクラス学習を立ち上げられます。

改善ダッシュボードと工程連携

検査結果はNsight Edgeから標準APIで出力され、顧客側の品質管理システム（SQCシステム）・ERP・MES等と連携可能です。ダッシュボードではカテゴリ別のヒートマップ（発生位置分布）、時系列推移、ロット別発生率を可視化し、品質会議でそのまま使える形にデータを整えています。Nsightはソフトウェアだけでなく、運用ルール設計まで伴走支援します。

自動車業界のトレーサビリティ要件への対応

自動車部品は、IATF 16949 等の品質マネジメント規格に基づくトレーサビリティが求められます。Nsight Edgeの検査データは、製品個体ID・検査時刻・カテゴリ・位置情報を紐付けて永続保存。規格要求に応えつつ、将来の品質問題発生時にも迅速な原因究明ができる設計です。

開発エンジニアからのコメント