画像検査システム開発の進め方/やり方/流れや方法/手法/工程/手順

画像検査システム開発は、AIを導入すること自体ではなく、撮像条件を安定させて品質KPIを改善する順番で進めることが成功の要点です。

傷・欠け・汚れ・異物・色むら・印字ミス・部品の有無や向きなどを自動判定したい製造現場では、カメラや照明だけでなく、搬送、PLC、排出機構、画像保存、MESやQMSとの連携まで含めて計画する必要があります。本記事では、要件整理、方式・ベンダー選定、設計開発、テスト、稼働、定着の6フェーズに分け、実務で使える判断基準、費用相場、見積書の確認項目を解説します。

▼全体ガイドの記事
・画像検査システム開発の完全ガイド

画像検査システム開発の全体像

画像検査システムは、製造ライン上のワークを撮影し、画像処理またはAIで良品・不良品を判定する仕組みです。単体のAIソフトを導入するのではなく、撮像から判定、NG排出、履歴保存、上位システム連携までを一つの業務プロセスとして設計します。

最初に「画像検査を導入したい」という要望を、検査対象、工程、判定基準、処置に分解します。検査対象は、傷、打痕、クラック、汚れ、異物、欠け、変色、印字やラベルの誤り、部品の有無、向き、位置ずれ、寸法などです。人が見ている項目をそのまま列挙するだけでは不十分で、「どの状態ならNGにするか」「NGを検出した後にラインを止めるのか、排出するのか、再検査へ回すのか」まで決める必要があります。

経営層が重視する省人化と、現場が重視する誤検出・見逃し・停止時間は、同じKPIで評価できない場合があります。そのため、検査員の人数だけでなく、検査時間、良品をNGにする割合、NGを見逃す割合、再検査率、ライン停止時間、廃棄や返品の金額を並べます。例えば「精度99％」だけを目標にせず、不良流出を抑えるために再現率を優先する工程なのか、良品廃棄を抑えるために適合率を優先する工程なのかを明確にします。

基本構成は、カメラ、レンズ、照明、ワークの位置決め、搬送、撮像トリガー、画像処理PCまたはエッジAI装置、判定画面、PLCやロボット、NG排出機構、画像と結果の保存領域です。既存ラインに組み込む場合は、センサーの信号、PLCのI/O、ライン速度、停止時の復帰手順、品種切替の方法を確認します。画像がきれいに撮れても、排出信号が遅れれば別のワークを排出するため、装置制御まで含めた時間設計が必要です。

画像と判定結果には、ロット、製番、シリアル、設備、作業者、時刻、品種、モデルのバージョンを結び付けます。後から不良の発生範囲を追跡できれば、出荷後の問い合わせや品質監査で確認する時間を短縮できます。画像を何日、何か月、何年保存するか、容量が増えた場合に古い画像をどう保管するかも、開発初期に決めておくべき要件です。

寸法、輪郭、色、二値化、パターン照合のように判定条件が明確で、製品のばらつきが小さい場合はルールベース画像処理が適しています。一方で、傷やシミ、打痕の形状が多様で、良品にも個体差がある場合はAI画像検査が候補になります。AIは人が言語化しにくい特徴を学習できますが、撮像条件がばらついた画像を与えれば、照明の違いを不良と誤認することがあります。

実務では、位置補正や寸法計測をルールベースで行い、複雑な外観欠陥をAIで判定するハイブリッド構成が有力です。パナソニックのWisSightは、AI評価、PoC、本番システム開発・導入を分け、AIモデル作成から既存検査機やPLCとの連携までを支援する導入ステップを公開しています。方式は流行で決めず、検査基準の明確さ、データ量、タクト、説明性、保守担当者のスキルで選びます。

画像検査システムの進め方はどうなりますか？

画像検査システムは、要件整理、方式・ベンダー選定、設計開発、テスト、稼働、定着の6フェーズで進めると判断しやすくなります。最初から全ラインを作り込むのではなく、代表品種・代表工程で撮像と判定の成立性を確かめ、KPIを確認してから対象を広げる進め方が安全です。

要件整理では、現場観察を先に行います。検査員がワークを持ち替える回数、視線の向き、照明の変化、手袋や治具の影、品種切替の頻度、NG品を置く場所を確認します。工程表だけでは、実際に画像へ映り込む反射や振動、搬送の揺れまでは分からないためです。

成果物は、検査項目一覧、良品・不良品の定義、タクト、対象品種、画像保存方針、接続対象、KPI、受入条件です。特に「不良を何％検出するか」「良品を何％まで誤ってNGにしてよいか」「判定結果を何秒以内に返すか」「停止時に安全側へ倒すか」を数値または具体的な状態で記載します。サンプル画像は良品だけでなく、境界に近い良品、軽微な不良、重大な不良、照明や姿勢が変わった画像もそろえます。

この段階で、検査を自動化しないほうがよい項目も切り分けます。人が触って初めて分かる感触、画像に十分な差が出ない微小欠陥、製品ごとに基準が変わる曖昧な判断は、全自動ではなくAIの再判定や人による確認を残す設計が現実的です。

選定では、標準パッケージ、AIソフト、エッジAI、クラウド、スクラッチ開発を同じ条件で比較します。既存カメラや検査機を流用できれば初期費用を抑えられますが、古いインターフェースや画像保存形式が制約になる場合があります。クラウドは学習データの集約や複数拠点管理に向きますが、通信断時の判定、製品画像の社外送信、遅延、アクセス権限を要件化します。エッジ処理は工場内でリアルタイム判定しやすく、機密画像を外へ出しにくい構成です。

ベンダーには、資料だけでなく実サンプルでの評価を依頼します。カメラ、レンズ、照明、AIソフトだけを提案する会社と、搬送、PLC、排出、安全対策、MESやQMS連携までまとめられる会社では、担当範囲が異なります。見積前に「現地調査を誰が行うか」「光学設計を誰が担当するか」「PLC改修の責任範囲」「画像データの所有権」「モデル更新の方法」を確認します。

パッケージを選ぶ場合は、導入速度だけでなく、品種追加、判定履歴、権限、ログ、バックアップ、保守終了時の移行性を確認します。スクラッチを選ぶ場合は、自由度が高い反面、初期の設計工数と将来の保守担当者が必要です。安価なソフト単体と高額な装置一体型を価格だけで比べず、納品後に誰が運用するかまで含めて判断します。

設計では、まず光学系を固めます。材質が金属か樹脂か、表面が光沢かつや消しか、欠陥の大きさと位置、必要な視野、ライン速度、外光や振動の有無に応じてカメラ、レンズ、照明、遮光を決めます。AIモデルの精度を上げる前に、同じワークを同じ姿勢と明るさで撮影できる構造を作ることが重要です。

次に、撮像トリガーから判定結果までの時間を設計します。オムロンの公開事例では、カラー1,200万画素のカメラの取り込み時間24.9ミリ秒、EtherCATのデータ通信周期125マイクロ秒を示し、画像処理システムとコントローラ、サーボを接続して検査から整列までを行っています（出典: オムロン制御機器「画像処理による部品の外観検査と高速整列」、公開事例）。自社ラインでは同じ数値になるとは限らないため、入力、処理、出力、排出までの実測値でタクトを確認します。

判定画面には、OK・NGだけでなく、検出位置、判定理由、信頼度、再検査ボタン、モデルバージョン、画像保存先を表示します。NG品の排出に失敗した場合は、ラインを止める、アラートを出す、保留箱へ送るなどのフェールセーフを決めます。PLCやロボットへの信号だけでなく、通信断、電源断、カメラ異常、ストレージ容量不足の状態も異常として扱います。

上位連携では、検査結果をMES、QMS、生産管理、トレーサビリティ基盤へ渡す項目とタイミングを決めます。ロット番号だけを渡すのか、シリアル単位で画像URL、検査項目、判定値、設備番号、オペレーターを渡すのかで開発量は大きく変わります。後から連携を追加するとデータ形式の作り直しが起きやすいため、最低限の項目だけでも早期に合意します。

テストデータは、開発に使った画像と別の画像を用意します。良品、不良品、境界例、品種違い、ロット違い、照明の変化、姿勢ずれ、汚れたレンズ、搬送停止後の再開などを含め、現場で起きる条件を再現します。評価指標は正解率だけでなく、適合率、再現率、誤検出率、見逃し率、判定時間、再検査率で確認します。

受入テストでは、AIモデル単体の合格条件と、システム全体の合格条件を分けます。モデルが正しくても、カメラの取り込み漏れ、PLC信号の遅延、NG排出のずれ、画像保存の欠落があれば本番では使えません。テスト記録には、画像ID、モデルの版、入力条件、期待値、実績、判定者、再現手順を残します。

本番稼働は、最初から複数ラインへ展開せず、代表ラインを選びます。品種数が多すぎず、現場責任者が参加でき、良品・不良品のサンプルが集まり、結果を比較できる工程が適しています。最初の期間は自動判定をそのまま排出に使わず、人の確認を併用して、検査員の判定とシステム判定の差を確認する方法もあります。

日立産業制御ソリューションズは、公開事例で事前検証を1〜2か月、技術検証を2〜4か月、代表ライン導入を3〜6か月、他ライン展開を3〜6か月と示しています（出典: 日立産業制御ソリューションズ「AI応用画像検査支援システム」、公開情報）。案件や現場条件により変わりますが、評価、実ライン検証、横展開を分ける考え方は、導入計画の目安になります。

稼働後に不具合が出た場合の判断基準も設定します。見逃しが基準を超えたら人手確認へ戻す、照明やカメラのずれが検知されたら保守を呼ぶ、画像保存ができなければ排出を停止するなど、異常時の業務フローを決めます。現場が困ってからルールを作るのではなく、稼働判定会議で合意しておきます。

画像検査は納品して終わりではありません。新しい品種、材料ロット、季節による光の変化、設備交換、品質基準の変更があれば、モデルや撮像条件を見直します。毎月の精度確認、四半期ごとのモデル評価、品種追加時の再学習など、更新の頻度と承認者を決めます。

現場には、検査画面の使い方だけでなく、NG画像の登録、再検査、誤検出の報告、カメラや照明の清掃、異常時の切り戻しを教育します。モデル更新をベンダー任せにする場合も、どの画像を渡し、どのKPIで再リリースを判断するかを標準作業書にします。内製化する場合は、権限を持つ担当者、学習データの保管場所、変更履歴、承認手順を用意します。

セキュリティも定着の一部です。2025年にJEITAが公開した「工場のためのセキュリティ対策策定ガイドライン」の考え方を踏まえ、工場内ネットワークの資産把握、ネットワーク分離、最小権限、バックアップ、パッチ適用、リモート保守の記録を確認します。外部から画像や設備へ接続する場合は、接続経路、利用者、時間、操作ログを残し、通信断でも安全に生産を継続できる構成にします。

画像検査システムの費用相場とコストの内訳

画像検査システムの費用は、ソフトだけか、カメラ・照明・搬送・排出まで含むか、AI学習や既存システム連携があるかで大きく変わります。公開価格が少ないため、以下は2026年時点で確認できる公開解説と製造業向けシステム相場を組み合わせた目安です。案件の確定金額ではなく、見積の抜け漏れを確認するためのレンジとして利用します。

既存のカメラやPCを使ったソフト・検証ツールのみなら、公開情報では20万〜80万円程度が一つの目安です。課題整理、サンプル評価、適用可能性や投資対効果の試算を含むAI評価・コンサルは40万〜200万円程度、1品種・1工程で撮像とモデルを試すPoCは100万〜300万円程度、または200万円から数百万円というレンジで案内されることがあります（出典: NTTコミュニケーションズ「AI外観検査とは？導入メリット・費用・選び方」、2026年公開情報）。

カメラ、照明、エッジPC、判定画面、PLC連携を含む1ラインの本番導入は、300万〜1,000万円程度を目安にすることがあります。複数カメラ、搬送・排出、複数品種、MESやQMS連携、画像の長期保存まで含める場合は、1,000万〜3,000万円程度、大規模な専用装置や複数工場展開では3,000万円を超える可能性もあります。これらは公定価格ではなく、対象範囲と現場条件から推定するレンジです。

期間の目安も段階で見ます。パナソニックの公開ステップでは、AI評価・プランニングが2週間〜1か月、PoCが1〜3か月、本番システム開発・導入が3〜6か月です（出典: パナソニック「AI外観検査ソリューション WisSight」、公開情報）。サンプル準備、設備改造、工場の停止可能日、検収期間を含めると、社内の意思決定期間が全体スケジュールを左右します。

見積書では、要件整理・現地調査、サンプル撮影、カメラ・レンズ・照明、治具や遮光、搬送・位置決め、PCやエッジAI機器、AIモデル作成、ルール設定、画面開発、PLC・ロボット連携、MES・QMS連携、設置・調整、教育、検収を分けます。一式表記だけでは、後から追加費用になる項目が分かりません。

AIでは学習データの整理、アノテーション、モデル評価、再学習、モデルの版管理がコストになります。不良が少ない場合は、画像の収集期間や疑似不良の作成、良品学習の適用可否を確認します。多品種少量生産では、品種ごとにモデルや撮像条件を作るのか、共通モデルで吸収するのかで工数が変わります。

初期費用以外に、ライセンス、クラウドやストレージ、画像バックアップ、保守、モデル更新、カメラ・照明・PCの交換、OSやセキュリティ更新、リモートサポート、品種追加の費用が発生します。年間保守を初期費用の15〜25％程度とする製造業システムの目安もありますが、画像検査ではモデル更新や現地対応の回数で変わるため、契約範囲を確認します。

投資回収は、削減できる検査工数だけでなく、不良流出、返品、廃棄、再加工、監査資料作成、ライン停止の削減効果を含めて計算します。例えば目視検査を完全に無人化できなくても、既存検査機のNG画像をAIで再判定して過検出による廃棄を減らす構成なら、効果の出方が変わります。導入前後で比較できる基準期間と測定方法を決めておきます。

画像検査システムの見積もりを取る際のポイント

見積を比較する前に、各社へ同じ条件を渡せるようにします。対象製品、検査項目、ライン速度、品種数、ワークの寸法・材質、良品・不良品サンプル、現行設備、接続対象、画像保存期間、目標KPI、設置可能日を一つの資料にまとめます。条件がそろっていない見積は、金額が安く見えても範囲が狭い可能性があります。

要件書では、検査項目ごとに「検出したい不良」「検出しなくてよい状態」「画像で判定できない状態」を書き分けます。良品画像だけでなく、誤検出しやすい良品、軽微な不良、重大な不良を添付し、サンプルの撮影条件も記録します。画像の持ち出しが難しい場合は、現地でのサンプルテストを見積条件に含めます。

KPIには、検出率、見逃し率、誤検出率、判定時間、タクト、再検査率、ライン停止時間、画像保存成功率を入れます。受入条件は「AI精度が何％」だけにせず、「1時間連続稼働で撮像漏れがない」「品種切替後に指定モデルへ切り替わる」「NG信号から排出位置までずれない」「画像とシリアルが紐付く」など、現場で確認できる状態で記載します。

PoCの見積では、何をもって成功とするかを決めます。1品種の画像を机上評価するだけなのか、実ラインにカメラを置き、搬送、PLC信号、判定画面まで試すのかで、費用と得られる判断材料が違います。PoCに本番用の装置改造が含まれるのか、終了後に機器を撤去するのか、作成したモデルや画像を持ち帰れるのかも確認します。

本番移行の条件には、サンプル数、評価指標、処理速度、連続稼働時間、現場教育、保守体制を含めます。PoCで精度が出なかった場合に追加費用で継続するのか、別方式へ切り替えるのか、プロジェクトを中止するのかを契約前に決めておくと、予算超過を抑えられます。

会社を選ぶときは、AIのデモが動くかだけでなく、現場の装置を理解しているかを確認します。カメラ・照明の光学設計、搬送・位置決め、PLC・ロボット、安全回路、ネットワーク、MES・QMS、画像保管を誰が担当するのかを一覧にします。複数会社が関わる場合は、全体の責任者と障害時の一次窓口を決めます。

導入後は、品種追加やモデル再学習を自社で行うのか、保守会社へ依頼するのかを選びます。自社運用なら、操作性、権限、変更履歴、教育資料、テスト環境が必要です。外部委託なら、応答時間、現地対応、休日対応、モデル更新の単価、部品交換の納期、契約終了時のデータ返却を確認します。

追加費用になりやすいのは、サンプル不足による再撮影、照明や治具の変更、品種追加、既存PLCの仕様差、上位システムのAPI改修、工場の停止日変更、画像保存容量の増加、セキュリティ審査への対応です。見積書の前提条件に、対象ライン、カメラ台数、画像枚数、保存期間、連携項目、訪問回数、検収回数を記載してもらいます。

クラウドやリモート保守を使う場合は、通信経路、認証、権限、ログ、バックアップ、障害時の切り戻しを確認します。工場内にエッジ機器を置く場合も、USB接続や保守用アカウント、OS更新の手順を決めます。画像検査は生産設備に接続するため、情報システム部門だけでなく、製造、品質、設備保全、セキュリティ、購買が見積と受入条件をレビューします。

画像検査システム開発でよくある質問（FAQ）

ここでは、導入前に特に相談が多い質問へ直接回答します。画像検査の可否は、AIの種類よりも、対象不良が画像に現れるか、撮像条件を固定できるか、現場の判定基準をデータ化できるかで決まります。

必要な画像枚数は、不良の種類、ばらつき、撮像条件、採用するモデルで変わるため、一律には決められません。不良が少ない場合は、良品学習、疑似不良画像、既存検査機のNG画像、過去の品質記録を組み合わせ、まずサンプル評価で適用可能性を確認します。

重要なのは枚数だけでなく、ロット、設備、照明、姿勢、重症度の違いを含むことです。開発用と評価用の画像を分け、同じ画像を使って精度を高く見せないようにします。ベンダーには、必要枚数の根拠、追加画像が必要になる条件、少量データでの代替策を説明してもらいます。

判定条件が明確で製品のばらつきが少ない検査は、ルールベースが扱いやすいです。傷やシミの見え方が多様で、良品の個体差が大きい検査はAIが候補になります。寸法や位置をルールベース、複雑な外観欠陥をAIで判定するハイブリッド方式も選択肢です。

最適な方式は、サンプルを用いた比較で決めます。検出率、誤検出率、設定変更のしやすさ、処理速度、説明性、モデル更新、保守費を同じ条件で評価します。AIを使うことが目的になり、判定基準や現場の復旧手順が曖昧になる場合は、導入範囲を見直します。

安全性は配置だけで決まらず、通信経路、認証、権限、ログ、バックアップ、更新、障害時の運用で決まります。エッジは工場内で判定しやすく、通信断の影響や画像の外部送信を抑えやすい一方、現地機器の保守が必要です。クラウドは複数拠点の学習・管理に向きますが、画像を外部へ送る条件と、通信断でも生産を継続する仕組みを設けます。

判断時は、製品画像の機密性、リアルタイム性、工場ネットワーク、保守体制、保存期間を整理します。外部接続を許可する場合は、必要な時間だけ接続し、利用者と操作を記録します。JEITAの工場セキュリティ指針などを参考に、情報システム部門と設備・品質部門で要件を確認します。

PoCだけ先に実施できます。むしろ、1品種・1工程に絞って、撮像の安定性、判定精度、処理速度、現場の使いやすさ、投資対効果を確認してから本番化するほうが安全です。PoCでは、机上の画像評価だけでなく、可能なら実ラインに近い姿勢、速度、照明、PLC信号で試します。

PoC終了時には、成功条件と次の判断を文書化します。継続する、方式を変える、対象を絞る、追加データを集める、中止するという選択肢を、KPIと費用で比較します。PoCの成果物として、評価画像、モデル、設定値、課題一覧、概算見積、本番移行条件を受け取れる契約にしておくと、別会社へ相談する場合にも活用できます。

まとめ：画像検査システムは段階導入で成功確率を高めます

画像検査システムの進め方は、要件整理、方式・ベンダー選定、設計開発、テスト、稼働、定着の6フェーズに分けると、判断の抜け漏れを防げます。最初に検査対象と合格基準を定義し、撮像条件を安定させ、AIやルールベースをサンプルで比較します。その後、代表ラインでKPIを検証し、品種やラインを段階的に広げます。

発注前は、対象不良と判定基準、良品・不良品サンプル、撮像条件、タクト、誤検出と見逃しの優先順位、画像保存期間、ロットやシリアルとの紐付け、PLC・MES・QMS連携、クラウドかエッジか、PoCの成功条件、受入テスト、保守とモデル更新の担当を確認します。見積書はソフト、機器、装置改造、データ整備、連携、設置、教育、保守に分けてもらいます。

画像検査の導入で迷ったら、現場で発生する不良、現在の検査方法、ライン速度、サンプル画像、既存設備、困っている損失を整理し、1工程の評価から始めます。AIの精度を競うのではなく、品質KPIを改善し、ラインを止めず、異常時に人が判断でき、導入後も自社で運用できるかを基準に開発会社へ相談することが重要です。複数社へ同じ条件を提示してサンプルテストと見積を比較すれば、自社に合う方式と投資範囲を判断しやすくなります。

▼全体ガイドの記事
・画像検査システム開発の完全ガイド

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。

株式会社riplaの会社HPはこちら

・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 >>>

執筆者プロフィール

張田谷凌央

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。