AI不良検知の開発は、対象工程と検知目標、データ条件を決め、PoCの成功基準も先に定めてから、段階ごとに検証しながら進めます。カメラやセンサーで取得した画像・映像・数値データを解析し、不良品や欠陥箇所を検出する仕組みです。製品を0.1秒単位で判定し、微細な傷・異物・形状不良・色むらなどを高精度で検出できるとされています。キユーピーやトヨタ自動車など大手企業にも導入実績があります。
AIシステム開発の工程ごとの進め方と注意点については、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不良検知の全体像
AI不良検知の仕組みと種類
画像全体を見るのか、欠陥の位置や形まで求めるのか、正常品だけを学習させるのかで、選ぶ手法が変わります。
- 画像分類：画像全体を、良品か不良品かに分けます。
- 物体検出：欠陥の有無に加えて、画像内での位置も特定します。
- セマンティックセグメンテーション：欠陥の形と範囲を、ピクセル単位で見分けます。
- 異常検知：正常品のデータを学習し、そこから外れた状態を検出します。不良品のサンプルが少ないときに使える手法です。
このほか、VLM（視覚言語モデル）、3D点群を使う立体検出、エッジAIも、製造現場で検討される技術です。
AI不良検知のシステムは、撮像から管理・監視まで、役割の違う3つの部分が組み合わさって動きます。
- 撮像：カメラと照明で製品を撮影します。
- 画像処理・推論：GPU搭載PCやエッジデバイスで、AIモデルを実行する部分です。
- 管理・監視：ダッシュボードなどのUIで、判定結果を確認する部分です。
従来の検知方式との違い
従来の検査方式とAIでは、判定の仕方と運用上の課題が異なります。
- 目視検査：人の経験に依存し、疲労や個人差で判定がばらつくことがあります。
- ルールベース画像処理：設定した基準値で判定します。形状や照明が変わるたびに再設定が必要となり、多品種少量生産では課題になります。
- AI不良検知：データから特徴を学習し、新しい不良パターンには追加学習で対応します。
また、導入事例では、日立製作所の品質保証業務で検索時間を約9割、作業時間を8割短縮したと報告されています。
AIモデルは一定の条件で継続して稼働でき、多品種への対応にも使えます。ただし、検知の精度や処理速度は、導入前に自社のデータと業務要件で検証しておく必要があります。特に24時間365日の稼働では、精度が落ちないよう撮像環境とモデルを管理します。
AI不良検知開発の進め方
要件定義・企画フェーズ
KPIの設定例として、不良検知率99.5%以上、誤検知率0.1%以下、1個あたり0.2秒以内などが挙げられています。まず現状値を確認し、そのうえで目標を決めます。
- 課題と目標：不良品流出率や人件費、課題工程を確認し、目標値に反映します。
- 対象製品・工程：検査対象が明確で、不良サンプルを集めやすい1〜2工程を候補にし、不良の種類・頻度・影響を整理します。
- データと撮像環境：過去データと良品・不良品画像の量を調べ、照明やカメラ位置、搬送速度（1分間の通過個数）を確認します。
- PoCの成功基準：本番開発へ進む条件を先に決め、小規模なPoCで実現可能性を検証します。
基準に届かなかった場合は、本番へ進むか、方針を見直すか、中止するかを、あらかじめ合意しておきます。これは、PoCの長期化による追加費用を防ぐためです。
設計・開発フェーズ
設計・開発は、データを整えるところから、ラインのシステムに組み込むまでを一続きで進めます。
- データ収集・ラベル付け：実際の検査環境に近い条件で画像を集め、ラベルを付けます。
- モデル選定・学習：分類・物体検出・異常検知などのタスクに合うモデルを選び、検証指標と目標値を確認します。
- システム設計・実装：撮像・推論・判定出力・管理の各機能と、既存システムとの連携を設計します。
教師あり学習では、画像内の欠陥にバウンディングボックスを付けたり、不良の種類をラベル化したりします。不良サンプルが少ない場合は、回転・反転・明度変更・ノイズ付加などのデータ拡張も検討します。
モデルの例は、タスクによって異なります。画像分類ではResNetやEfficientNet、物体検出ではYOLOシリーズやFaster R-CNN、異常検知ではAutoEncoderやPatchCoreなどが挙げられます。
学習後は、適合率・再現率・F値・AUCなどで目標を確認します。未達の場合は、データ追加や条件調整を検討します。
システムには、カメラや照明、レンズ、GPU搭載PCやエッジ機器が必要です。さらに、判定表示・アラート・NG品排除との連携や、ログ・ダッシュボード・再学習の管理も含まれます。また、MESや品質管理システムとの連携条件も決めておきます。
テスト・リリースフェーズ
テスト・リリースは、段階を追って本番へ近づけていく工程です。
- オフライン検証：未使用データで精度と速度を確認します。
- パイロット稼働：実ラインでAIと従来検査を比べます。
- 本番・初期安定化：稼働後も精度を監視し、必要に応じて学習します。
オフラインでは、ホールドアウトデータを使って不良検知率や誤検知率を測ります。見逃しと過検知のバランスを確認し、そのうえで業務要件に合わせて閾値を調整します。
パイロットは通常2〜4週間を目安に並行稼働し、誤判定を分析してモデルや撮像条件を調整します。また、現場担当者の教育期間にもなります。
本番後1〜3ヶ月は、初期安定化期間として監視を続けます。品種や照明条件の変化に備えて、定期確認と追加学習の周期を決めておきます。さらに、MLOpsでドリフトを検知・通知する方法も検討します。
費用相場とコストの内訳
人件費と工数
クラウド型か、単品種・単工程か、多品種・複数工程かによって、開発費の幅は大きく変わります。
- クラウド型・小規模開始：初期30〜100万円、月額5〜30万円程度。初期投資を抑えやすい一方、カスタマイズの自由度は限られます。
- 単品種・単工程のスクラッチ開発：300〜800万円程度。主な費用項目は、データ・モデル・システム実装と、カメラやPCです。
- 多品種・複数工程のカスタム開発：1,000〜3,000万円程度。複数ラインや高度な連携を含み、大規模工場では1,000〜2,000万円以上の例もあります。
人件費は、担当者ごとの工数の割合と、ラベル付けの単価に分けて見ます。
- AIエンジニア：全体工数の40〜50%程度
- システムエンジニア：20〜30%程度
- プロジェクトマネージャー：10〜15%程度
- データアノテーション：画像1枚あたり10〜100円程度。数千〜数万枚で総額が変わります。
初期費用以外のランニングコスト
運用が始まったあとも費用はかかり続けるため、項目ごとの目安を確認しておきます。
- 保守・運用：月額10〜50万円程度。監視、障害対応、定期メンテナンス。
- モデル再学習・改善：年間100〜300万円程度。新製品や不良パターンの変化に対応。
- インフラ：月額10〜100万円程度。オンプレミスの設備費やクラウド利用料。
- ライセンス：年間数十万〜数百万円程度。商用AIや画像処理ライブラリなど。
目安として、年間のランニングコストは初期開発費の15〜25%程度とされています。さらに、5年間のTCOで試算し、初期費用と運用費用のバランスを比べます。
見積もりを取る際のポイント
要件明確化と仕様書の準備
見積もりの前提を揃えるには、検査対象やデータ、システム条件を事前に伝えておく必要があります。依頼書には、次の情報をまとめておきます。
- 製品・不良の定義：製品の種類・サイズ・材質と、検出対象・最小サイズ
- ライン・撮像条件：通過数、照明設備、カメラ設置場所
- データ：サンプル数・形式・保管場所・不良率
- システム要件：検知率・誤検知率・速度、連携先、画面・アラート
- 稼働環境：オンプレミス、クラウド、エッジの希望
不良品サンプルを、どれだけ持っているか、どのくらいの頻度で発生するかは、学習計画や見積もり条件を検討する材料になります。さらに、必要な検知精度や速度は数値で示すと、各社の見積もりを同じ条件で比べられます。
複数社比較と発注先の選び方
見積もりは、最低3社を目安に取ります。比べる際は、価格だけでなく、現場での実績や、AIやシステムの開発体制、運用支援も見ます。確認する内容をそろえておくと、各社を同じ基準で評価できます。
- 製造業・外観検査の実績：類似製品・業界の事例と、実際の精度や解決した課題
- AI・システムの実装力：モデル開発と、ライン組み込み・UI開発の両方への対応
- 一貫した支援体制：PoC、本番導入、運用保守までの担当範囲
- サポート条件：SLA・モデル更新・利用者教育・ドキュメント整備
注意すべきリスクと対策
AI不良検知の開発では、データやPoC、稼働環境、現場の運用に関わるリスクを、契約や計画の段階で扱っておく必要があります。問題と対策は、次のように対応させて確認します。
- データ不足・品質不良：必要な不良画像数をベンダーに確認し、要件定義で収集計画を立てます。
- PoCの長期化・費用超過：精度目標・期間・予算上限と、未達時の対応を契約前に合意します。
- 環境変化による精度劣化：稼働精度を監視し、再学習の周期を運用設計に含めます。
- 現場の導入抵抗：要件定義から現場担当者を加え、並行稼働と教育の期間を確保します。
まとめ
AI不良検知の開発では、対象工程とKPIを絞り込み、データ収集や撮像条件、PoCの成功基準を先に決めておきます。開発後は、ホールドアウトデータと実ラインで検証し、運用が始まったあとも精度を確認します。
見積もりでは、データや連携条件を具体的に伝え、複数社の実績や開発体制、保守条件を比べます。自社の製造現場と目的に合う範囲から、段階的に導入を検討してください。
▼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をご覧ください。
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。