AI不良検知の開発期間は、対象の難易度、撮像環境、適用範囲によって変わります。検証に3〜4か月かかり、本開発まで含めると半年以上かかることもあります。
期間の見積もりの対象になるのは、製造ラインの製品を画像で良否判定するAI不良検知です。
▼全体ガイドの記事
・AI不良検知の完全ガイド
AIシステム開発の種類・工程・費用・会社選定までの全体像については、無料ホワイトペーパー「AIシステム開発の完全ガイドブック」で詳しく解説しています。
AI不良検知の開発期間の全体像
AIの精度は、プログラムのロジックだけでなく、欠陥がカメラに写る物理条件にも左右されます。そのため、一般的な業務システムやWebアプリと同じ感覚では、期間を見積もりにくい技術です。
AI不良検知の定義と対象
AI不良検知は、製造ラインの製品を産業用カメラで撮影し、画像から良品か不良品かをAIが判定する仕組みです。自動車部品、電子部品、食品、金属加工など幅広い業種で導入が加速しています。
対象は、傷・打痕・汚れ・色ムラなどの外観不良や、部品の欠け・割れ、寸法・形状のずれです。ネジ締め忘れや部品の付け間違い、異物混入も検査対象になります。
- 目視検査の課題：疲労や集中力の低下による見逃しが生じるほか、検査員ごとに判定基準がばらつき、過剰検知や誤出荷も避けられません。
- AI検査の役割：一次判定を担い、24時間安定した基準で検査を支えます。
- 対象範囲：ラインを流れる製品の良否を判定するもので、設備の故障予知とは目的が異なります。
熟練検査員の目視判定は、カメラとAIで省人化と標準化を進められます。高齢化や人手不足への対策にもなります。
AI異常検知は、サーバーログや取引データを含む「正常から外れたデータ」全般を捉えます。AI故障検知（予知保全）は、設備や機器が将来故障する時期を予測します。いずれも、画像で良否を判定するAI不良検知とは対象も設計思想も異なります。
発注側と開発会社は、画像で良否を判定するという性質に合わせて工程を組み、期間を見積もります。
検証フェーズと本開発フェーズの2段構え
AI不良検知は、検証フェーズ（PoC）を経て本開発フェーズへ進む2段構えが基本です。微細な欠陥を検出する難易度の高い外観検査では、検証だけで概ね3〜4か月かかります。
- 対象と基準：検査する製品を選び、不良と判定する基準を定める段階です。
- 撮像と画像：撮像環境を検証しながら、学習用の画像を集めます。
- 試作と評価：AIモデルを試作し、精度と費用対効果を確かめます。
検証では、欠陥がカメラに写るか、狙った精度が出るか、費用対効果が見合うかを判断します。そのうえで、本番ラインへの組み込みや高速化、既存システムとの連携を本開発で進めます。
本開発の期間と体制は、検証結果を踏まえて別途見積もるのが通常です。検証を省くと、欠陥が安定して写らない、または精度が現場要件に届かず、手戻りの原因になります。全体では、「検証3〜4か月＋本開発数か月」を基本線に考えるのが現実的です。
規模・難易度別の開発期間の目安
開発期間は、検査対象の難しさと適用範囲によって変わります。
- 小規模なケース：明確な欠陥を1品種・1工程で判定する場合です。
- 難易度の高いケース：微細な凹凸、光沢部品の全周、形状が一定しない食品などです。
- PoC・内製化支援の例：計画・準備からデータ収集、モデル構築、評価までを含みます。
小規模な場合は、検証から簡易実装まで2〜3か月程度で立ち上がることもあります。一方、欠陥のパターンが多く撮像も難しい場合は、検証に3〜4か月かかることがあります。本番ラインへの組み込みと精度調整を含めると、半年以上に及ぶことも珍しくありません。
参考例では、小規模な画像解析PoCなどを6〜12週間で進めています。体制の例としては、「プロジェクトマネージャー1名＋エンジニア1名で3か月」や、「PM1名・デザイナー1名・エンジニア2名で4か月」といった構成が実績として挙げられています。
自社の対象がどの難易度に当たるかを早めに見極めることが、納期設定の第一歩です。
工程別に見る開発スケジュール
検証フェーズは、ビジネス要求整理、撮像環境の構築検証、学習データ収集・モデル検証の3工程に分かれます。月単位の流れと各工程の所要時間をつかんでおくと、スケジュール上のリスクに早く気づけます。
ビジネス要求整理・NG判定基準の策定
検証フェーズの1か月目は、ビジネス要求を整理し、NG判定基準を定める工程です。一見地味ですが、この工程はAI不良検知プロジェクトの成否を左右する最重要工程です。
- 検査対象を選ぶ：数ある検査項目のなかから、どの製品のどの不良を最初にAI化するかを決めます。
- 判定線を明文化する：「どこからを不良とみなすか」を整理します。
- 運用を設計する：AIと人が担う役割や、検査後の不良品の扱いまで含みます。
現場では「この傷なら良品」「この色ムラはNG」といった経験則が、言語化されていないことがあります。そのため、熟練工の良否の境界を聞き取って限度見本に整理するには、現場担当者との擦り合わせが欠かせません。
限度見本は、良品と不良品の境界を示すサンプルです。経験則の確認には、想定より時間がかかる場合があります。
基準が曖昧なまま進むと、何を検知するかが後から揺らぎ、モデル検証をやり直すことになります。
撮像環境（カメラ・照明）の構築検証
撮像環境の構築検証は、開発で最も時間がかかり、所要期間も最も読みにくい工程です。一般的なシステム開発にはない、AI不良検知固有のボトルネックです。
- カメラ：機種やレンズを選び、画角と解像度を決めます。
- 照明：光の種類と当て方を設計します。
- 外乱光：周囲の光を遮る対策を試します。
欠陥が画像に写らなければ、高度なAIを使っても判別できません。そのため、検証フェーズの1か月目から3か月目ごろは、機材や照明をテストしながら条件を詰めます。
金属表面の微細な凹凸は、正面から均一に照らすと影が出ず、見えにくいことがあります。一方、斜めのローアングルから光を当てると、コントラストが生まれて凹凸が見える場合があります。
光沢部品は反射で白飛びしやすく、透明・半透明の対象には背後からの照明が必要です。また、適した撮像の組み合わせは、対象ごとに異なります。
機材を設置しても欠陥が想定どおり写らず、選定からやり直すことがあります。試行錯誤で予定が大きく動くため、この工程には十分なバッファが必要です。
学習データ収集・アノテーション・モデル検証
撮像環境が固まったら、検証フェーズの3〜4か月目ごろに学習画像を集めます。工業製品では、不良品の画像が十分に集まらない問題が表面化します。良品は大量に生産される一方、不良品は発生頻度が低く、欠陥のパターンも多様です。
- 画像収集：学習用画像を撮影して集めます。
- アノテーション：画像に良否や欠陥箇所のラベルを付けます。
- モデル評価：AIモデルを構築し、精度を確かめます。
あらゆる不良を網羅して学習させる方法は、現実的ではありません。そこで、良品データだけを学習し、それと異なるものを不良とみなす異常検知型の「良品学習」が使われます。
良品学習は、モデル構築の見通しを立てやすい一方で、わずかな汚れや光の加減により、良品を不良と判定する過検出が生じることがあります。この過検出を抑えるため、前処理やルールベースのフィルタリングを組み合わせて調整します。
精度は「9割台」を狙い、人が最終判断するアシスト型の運用を前提に評価するのが現実的です。初期から100%の完全自動判定を求めると、工程が終わらず納期が青天井になりかねません。
納期を左右する要因と現実的なスケジュールの引き方
納期が当初の計画からずれる原因の大半は、ソフトウェアのバグよりも、撮像・データ・現場ラインなど物理面やデータ面にあります。そのため、納期を左右する要因を押さえ、余裕を持って完走できる計画を立てる必要があります。
撮像環境の手戻りとバッファ設計
納期を大きく揺らすのは、撮像環境の手戻りです。
- 機材を再選定する：欠陥が写らない場合、カメラや照明を選び直します。
- 配置を組み替える：機材のレイアウトを変更して再テストします。
- 余裕を織り込む：撮像環境の検証期間にバッファを設けます。
機材の選定・購入・設置・テストで、想定どおりに欠陥が写らないと、再調整が必要になります。手戻りは事前に完全には予測できません。そのため、あらかじめ余裕を確保する方法が有効です。実務では、2か月で終わる想定なら3か月で見積もるなど、1.5倍程度の余裕を持たせます。
楽観的に納期を詰めると、撮像が不十分なままモデル構築に進み、精度が出ずにやり直す恐れがあります。さらに、発注者も撮像環境の検証には時間がかかって当然と理解し、試行錯誤を許容する姿勢が、総期間の短縮につながります。
良品学習と過検出チューニングにかかる時間
良品学習に伴う過検出の抑制調整も、納期を左右する読みにくい要因です。
- 画像の前処理：コントラスト強調やノイズ除去を工夫します。
- 判定ルールの適用：一定サイズ以下や特定領域の検出を除外します。
- 誤判定の調整：見逃しを増やさずに過検出を減らします。
良品以外を不良とする方式は、見逃しを強く防げる反面、わずかな汚れや照明変動も異常として拾いやすい性質があります。過検出が多いと、AIがNGとするたびに人の確認が必要になり、省人化につながりません。
見逃しと過検出のバランスが収束するまでの時間は、対象の性質や現場の許容水準で変わります。このため、複数回の調整サイクルを前提に工数を見込み、1回で理想の精度に届くとは考えないことが大切です。
生産ライン組込・タクトタイム検証の期間
精度の見通しが立ったあと、本開発では生産ラインへの組み込みと動作検証を行います。
- 推論を高速化する：モデルを軽量化し、タクトタイムに間に合わせます。
- 機材を選ぶ：エッジ端末やGPUを選定します。
- 制御を連携する：判定結果を後工程の振り分け装置へ渡します。
実験室で精度が出ても、実際の製品は速く流れるため、撮影から推論・判定までの時間が制約になります。処理が遅いとラインが止まるので、判定はラインのタクトタイム内で終える必要があります。
実ラインでは、朝と夕方で西日の入り方が変わるなど、照明環境が一定とは限りません。そのため、時間帯や季節が変わっても精度が落ちないか、実機で確かめる期間が必要です。
現場検証が不十分だと、稼働後に夕方だけ誤判定が増えるといった問題が起こります。そのうえで、納期は「検証3〜4か月＋本開発と現場検証で数か月」を基準に、撮像と精度調整の余裕を加えて設定します。
自動車部品鋳造メーカーでは、熟練工の判定基準や不良品画像を学習したモデルを導入しました。その事例では、検査人員を4名から2名へ半減させ、客先への不良品流出ゼロを実現しています。工程を丁寧に踏むことが、こうした成果につながります。
発注時に確認しておきたいスケジュール上の論点
現実的な計画には、発注側が事前に確認・準備できる事項があります。
- 保有資料：不良品画像、限度見本、検査基準書の有無を確認します。
- 契約の区切り：検証と本開発を分け、検証結果を見て本開発を決めます。
- 現場の協力：ライン設置やテストの時間を確保します。
既存の画像や検査環境を活用できれば、撮像検証やデータ収集を短縮し、納期を前倒しできる場合があります。一方、画像を一から集める場合は、不良の発生を待つ時間も計画に含める必要があります。そのため、発注前から不良サンプルを意識して保管しておくと有利です。
撮像検証の結果で本開発の内容が変わるため、両フェーズを分けた契約が無理のない進め方です。検証結果を踏まえてから、本開発の規模と納期を確定できます。
ラインへのカメラ設置やテストには、製造現場の時間を借りる必要があります。繁忙期を避けて、テスト用のライン枠を前もって押さえておくと、納期を守る助けになります。
準備事項を整理しておけば、開発パートナーから精度の高いスケジュール案を得やすくなります。
まとめ
開発期間の全体像、工程別の進行、納期を左右する要因を見てきました。AI不良検知は、製造ラインの製品にある外観・寸法・組立の不良を画像で判定する技術です。
期間を見積もる際は、検証フェーズ（PoC）と本開発フェーズを分けて考えます。難易度の高い外観検査は、検証だけで3〜4か月かかることがあります。撮像環境の構築が大きな変動要因となるため、検証工程に1.5倍程度の余裕を持たせます。
良品学習の過検出調整や、ライン組み込みとタクトタイムの確認にも期間が必要です。初期から100%の完全自動化を求めず、精度の目安を9割台とし、人が最終判断する運用を前提にすれば、現実的な納期で完走できます。
まず1品種・1工程に対象を絞って検証し、手応えを得てから適用範囲を広げます。撮像環境の検証を含む現実的な計画を立てられる開発パートナーへ、早めに相談しましょう。
▼全体ガイドの記事
・AI不良検知の完全ガイド
▼開発を相談する前に読みたい無料ホワイトペーパー
・AIシステム開発の完全ガイドブック
・【2026年最新版】AI駆動開発の完全ガイドブック
会社紹介
株式会社riplaでは、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを、構想策定・要件定義から開発・改善まで一気通貫で支援。事業会社でIT・DXを経験したプロフェッショナルによる高い要件定義力・システム設計力を活かし、事業成果の最大化に伴走します。
また、当社独自の開発テンプレート「Boxシリーズ」による標準機能の高速開発と、AI駆動開発の独自フレームワーク「GoDD」による独自機能のAI実装を組み合わせることで、低コスト・短期間で開発を実現いたします。
もし、システム開発やプロダクト開発に関するご要望がございましたら、お気軽にお問い合わせください。
・サービス概要資料のURLはこちら >>>
・お問合せページのURLはこちら >>>
・お役立ち資料のURLはこちら >>>
株式会社ripla 代表取締役CEOとして、システムパッケージ活用、システム開発、データ分析、生成AI活用、SaaS開発、アプリ開発、EC構築など、幅広い領域で企業のDX推進と事業成長を支援している。事業会社でIT・DXを経験したプロフェッショナルが集う株式会社riplaにおいて、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを構想策定・要件定義から開発・改善まで一気通貫で支援し、単なるシステム納品にとどまらず、クライアントと同じ目線で事業成果の最大化に向けた伴走支援を行う。早稲田大学卒業後、ラクスル株式会社、LINEヤフー株式会社にて事業開発やDX推進などに従事した後、株式会社riplaを創業。