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

画像検査システムの開発は、検査目的の定義、撮像条件の安定化、代表ラインでの検証を順に進める流れです。この流れで進めると、品質KPIの改善につながります。

全体は要件整理から定着までの6フェーズで、構成、費用、見積もりの確認事項も順に説明します。

▼全体ガイドの記事
・画像検査システム開発の完全ガイド

・業務システム開発を依頼する会社の選び方やRFPの作り方については、無料ホワイトペーパー「業務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。
・スクラッチシステム開発を依頼する会社の選び方やRFPの作り方については、無料ホワイトペーパー「スクラッチ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。

画像検査システム開発の全体像

画像検査システムは、製造ラインのワークを撮影し、画像処理またはAIで良品と不良品を判定する仕組みです。

撮像からNG排出、履歴保存、上位連携までを一つの工程として設計します。

検査対象と判定目的の切り分け

検査対象ごとに判定の目的と運用を切り分けるには、次の5点を先に決めておきます。

• 対象と工程：検査対象ごとの工程、判定基準、NG後の処置の切り分け
• 検査項目：傷、打痕、クラック、汚れ、異物、欠け、変色、印字ミス、部品の有無や位置など
• 合否基準：対象ごとに、どの状態をNGとするかの定義
• NG後の処置：ライン停止、排出、再検査のどれにするかの決定
• KPI：省人化に加え、誤検出、見逃し、再検査率、停止時間、廃棄や返品額の評価

目標は、精度99％のような一つの数字より、工程に応じて再現率と適合率のどちらを優先するかで決めます。

カメラ以外の構成要素と成否への影響

システムの構成は、機器だけでなく既存ラインとの接続も含めて検討します。既存ラインでは、センサー信号やPLCのI/O、ライン速度を確かめます。停止時の復帰手順や品種切替も、あわせて確認します。

• 撮像：カメラ、レンズ、照明、位置決め、搬送、撮像トリガー
• 判定と制御：画像処理PCまたはエッジAI装置、判定画面、PLCやロボット
• 処置と保存：NG排出機構、画像と結果の保存領域、上位システム連携

排出信号が遅れると、判定したワークとは別のワークを排出してしまうおそれがあるため、撮像から装置制御までの時間を設計します。

画像と結果は、ロットや製番、シリアルと結び付けます。さらに、設備、作業者、時刻、品種、モデル版も、あわせて結び付けます。

画像は何日、何か月、何年保存するかを、初期に決めておきます。容量を超えたときに古い画像をどう保管するかも、あわせて決めます。

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の確認時間を短縮できます。

ルールベース、AI、ハイブリッドの使い分け

方式選定では、検査条件に合う処理方法を比べて選びます。

• ルールベース：判定条件が明確で、製品のばらつきが小さい検査に向きます。寸法、輪郭、色、二値化、パターン照合などに使えます。
• AI：傷やシミの形状が多様で、良品にも個体差がある検査で候補になります。
• ハイブリッド：位置補正や寸法計測をルールベースで行い、複雑な欠陥をAIで判定します。

AIは、人が言葉にしにくい特徴を学習できます。一方で、撮像条件がばらつくと、照明の違いを不良と誤認することがあります。

また、パナソニックのWisSightは、AI評価、PoC、本番システム開発・導入を分けています。方式を決める際は、判定基準、データ量、タクトに加えて、説明性や保守担当者のスキルも比べます。

AIモデル作成から既存検査機やPLCとの連携まで、支援する導入ステップも公開されています。

画像検査システム開発の進め方と6フェーズ

開発は、要件整理から定着までの6フェーズで進めます。代表品種と代表工程で成立性を検証し、KPIを確かめてから対象を広げます。

フェーズ1：要件整理による検査の目的と合格基準の定義

目的と合格基準を固めるには、現場の確認から自動化の範囲までを次のとおり整理します。

• 現場観察：持ち替え、視線、照明、手袋や治具の影、品種切替、NG品の置き場の確認
• 要件書：検査項目、良否、タクト、対象品種、保存方針、接続先、KPI、受入条件の記載
• サンプル：良品、境界に近い良品、軽微・重大な不良、照明や姿勢が変わった画像の収集
• 自動化範囲：感触で判断する項目や画像差のない微小欠陥に対し、人の確認を残す方法の検討

反射や振動、搬送の揺れは工程表では把握しにくいため、実際の現場を観察します。

受入条件では、不良の検出率と、良品をNGにする許容率を具体化します。

判定時間や停止時の安全動作も、あわせて決めます。

フェーズ2：要件に合わせた方式と発注先の選定

方式は、標準パッケージ、AIソフト、エッジAIから、クラウドやスクラッチ開発まで、同じ条件で比べて選びます。既存カメラや検査機を流用すれば初期費用を抑えられますが、古い接続方式や画像形式が制約になる場合があります。

• クラウド：学習データの集約や複数拠点の管理に向きます。通信断時の判定、画像の社外送信、遅延、アクセス権限を要件に含めます。
• エッジ処理：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。
• 発注先：光学設計だけか、搬送、PLC、排出、安全、MES・QMS連携まで担うかの違い

見積の前に、現地調査、光学設計、PLC改修の担当を確かめます。

画像データの所有権やモデル更新の方法も、あわせて確認します。

パッケージでは品種追加と移行性を、一方でスクラッチ開発では設計工数と将来の保守担当者を見ます。

ソフト単体と装置一体型は、価格だけでなく、納品後の運用者まで含めて比べます。

ログや権限、バックアップも選定項目に入ります。保守終了後の移行方法も、選定の対象です。

フェーズ3：撮像、判定、制御、連携の設計と開発

撮像条件がばらつくと照明の違いを不良と誤認することがあるため、AIモデルの精度を上げる前に、同じ姿勢と明るさで撮影できる構造を作ります。

カメラ、レンズ、照明、遮光も、この構造に合わせて決めます。

撮像トリガーから判定結果までの時間も、設計の対象になります。

上位連携は、ロット番号だけを渡すのか、シリアル単位で画像URLや検査項目まで渡すのかで、開発量が変わります。

判定値や設備番号、オペレーターなど、必要な項目とタイミングは、早い段階で合意しておきます。

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くなります。そのため、最低限の項目だけでも先に決めておきます。

• 光学系：材質、表面、欠陥の大きさと位置、視野、速度、外光、振動から機器を選ぶ
• 処理時間：撮像、判定、出力、排出の実測値によるタクトの確認
• 画面と制御：判定情報の表示と、異常時のフェールセーフの設計
• 上位連携：MES、QMS、生産管理などへ渡す項目とタイミングの定義

たとえば、オムロンの公開事例では、カラー1,200万画素カメラの取り込み時間は24.9ミリ秒です。また、EtherCATの通信周期は125マイクロ秒です（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）。ただし、自社ラインで同じ数値になるとは限りません。

画面には、OKとNG、検出位置、判定理由を表示します。信頼度、再検査ボタン、モデル版、画像保存先も、画面に載せます。

NG排出に失敗した場合は、ライン停止、アラート、保留箱への排出のどれにするかを決めます。

通信断や電源断に加え、カメラ異常やストレージ容量不足も、異常として扱います。

フェーズ4：精度だけでなく現場の異常系まで検証するテスト

モデルの精度だけでなく、現場条件とシステム全体の動作も確かめます。

• テスト画像：開発用と別の画像を使い、良否、境界例、品種・ロット違いを試す
• 現場条件：照明変化、姿勢ずれ、レンズ汚れ、搬送停止後の再開
• 評価指標：正解率に加え、適合率、再現率、誤検出、見逃し、判定時間、再検査率
• 受入条件：モデル単体とシステム全体を分けた確認項目（撮像漏れ、PLC信号遅延、排出ずれ、画像保存の欠落）
• テスト記録：画像ID、モデル版、入力条件、期待値、実績、判定者、再現手順

フェーズ5：代表ラインでの稼働と停止条件の決定

最初は複数ラインへ展開せず、代表ラインを一つ選びます。選ぶ条件は、品種数が多すぎないこと、責任者が参加できること、サンプルを集めて比較できることです。初期は人の判定も併用して、システムとの差を確かめます。

• 検証の期間：日立産業制御ソリューションズの公開情報では、事前検証が1〜2か月、技術検証が2〜4か月です。
• 展開の期間：代表ライン導入と他ライン展開は、いずれも3〜6か月とされています（出典：同社「AI応用画像検査支援システム」、公開情報）。

案件や現場で期間は変わります。ただし、評価、実ライン検証、横展開を分けて考えると、計画の目安にしやすくなります。見逃しが増えた場合や撮像に異常が出た場合など、停止や人手確認に戻す条件も、あらかじめ合意しておきます。

フェーズ6：運用の仕事としての定着と改善の設計

定着後に必要な改善、教育、セキュリティは、運用の項目として決めておきます。

• 改善：新品種、材料ロット、季節の光、設備交換、品質基準の変更に応じた、モデルと撮像条件の見直し
• 教育：画面操作、NG画像登録、再検査、誤検出報告、清掃、異常時の切り戻し
• セキュリティ：資産把握、分離、最小権限、バックアップ、更新、保守記録

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は、頻度と承認者を決めておきます。

外部委託の場合は、渡す画像と再リリースのKPIを標準作業書に記載します。

内製の場合は、担当者とデータ保管場所を定め、変更履歴と承認手順も整えます。

セキュリティの考え方は、2025年公開のJEITA「工場のためのセキュリティ対策策定ガイドライン」も踏まえて進めます。

外部接続では、経路と利用者を残すとともに、時間と操作ログも記録します。さらに、通信断が起きても安全に生産できる構成を検討します。

画像検査システムの費用相場とコストの内訳

費用は、ソフトだけか、撮像・搬送・排出まで含むか、AI学習や既存連携があるかで変わります。

本記事で挙げる金額は、2026年時点の公開解説と製造業向け相場を組み合わせた、見積確認用の目安です。

導入パターン別の費用レンジ

公開情報にある導入段階ごとの費用目安は、次のとおりです。いずれも確定価格ではなく、対象範囲によって変わります。

• ソフト・検証ツール：既存カメラやPCを使う場合、20万〜80万円程度
• AI評価・コンサル：課題整理やサンプル評価を含み、40万〜200万円程度
• PoC：1品種・1工程の検証で100万〜300万円程度、または200万円から数百万円
• 1ライン本番：カメラ、照明、エッジPC、画面、PLC連携を含み300万〜1,000万円程度
• 複数設備・大規模導入：1,000万〜3,000万円程度、専用装置や複数工場では3,000万円超もあり得ます

また、NTTコミュニケーションズが2026年に公開した「AI外観検査とは？導入メリット・費用・選び方」では、AI評価やPoCの費用レンジが紹介されています。ただし、本番の費用は、対象範囲と現場条件から見た推定です。

パナソニックのWisSightは、AI評価・プランニングが2週間〜1か月、PoCが1〜3か月です。本番システム開発・導入は3〜6か月としています（出典：同社「AI外観検査ソリューション WisSight」、公開情報）。

サンプル準備や停止可能日、社内決裁も、全体の日程に影響します。

構成要素ごとに分けた費用の内訳

見積書は、作業と設備を分けて確認します。一式でまとめられると、追加費用になる項目を見分けにくくなります。

• 調査・設計：要件整理、現地調査、サンプル撮影、設置・調整
• 機器・装置：カメラ、レンズ、照明、治具、遮光、搬送、PC、エッジAI機器
• 開発・連携：AIモデル、ルール設定、画面、PLC・ロボット、MES・QMS連携
• 導入後：教育、検収、データ整備、保守、モデル更新

AIでは、データ整理やアノテーションも費用になります。評価、再学習、版管理についても、費用の内訳として確認します。

不良が少ない場合は、画像の収集期間と疑似不良の作成を確かめます。また、多品種少量の場合は、品種別のモデルにするか、共通のモデルにするかを確認します。

ランニングコストと投資回収（TCO）の見積もり

総所有コスト（TCO）で見る場合は、初期費用に加えて、継続費用と回収効果を分けて見積もります。

• 継続費用：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、機器交換
• 更新費用：カメラ・照明・PC、OSやセキュリティ更新、リモートサポート、品種追加
• 回収効果：検査工数、不良流出、返品、廃棄、再加工、監査資料、停止時間の削減
• 測定方法：導入前後で比べられる基準期間と、計測の仕方の設定

製造業システムの目安として、年間保守を初期費用の15〜25％程度とする考え方もあります。ただし、画像検査では更新や現地対応の回数によって変わるため、契約範囲を確かめておきます。

NG画像をAIで再判定し、過検出を減らす構成も、回収効果の対象になります。なお、無人化できない場合は、廃棄の削減などを分けて評価します。

画像検査システムの見積もりを取る際のポイント

各社へ同じ条件を渡すため、まず対象製品、検査項目、速度を整理します。品種数や寸法・材質、既存設備、接続先なども、そろえて伝えます。

条件が違えば、見積もりの範囲も異なる可能性があります。そのため、保存期間、KPI、設置可能日も合わせて渡します。

要件書に記載するサンプル、KPI、受入条件

見積もりの前に、検査の要件と受け入れ時の判断基準を明確にしておきます。

• 判定範囲：検査項目ごとに、検出する不良、検出不要の状態、画像で判定できない状態の区分
• サンプル：誤検出しやすい良品や軽微・重大な不良の添付と、撮影条件の記録
• 現地テスト：画像を持ち出せない場合は、現場でのサンプル試験を見積条件に含める
• KPI：検出率、見逃し率、誤検出率、判定時間、タクト、再検査率、停止時間、保存成功率
• 受入条件：精度のほか、1時間連続稼働での撮像漏れのなさ、品種切替後のモデル、排出位置、画像とシリアルの紐付けなど、現場で確認できる状態

PoCの範囲と本番移行の条件の切り分け

PoCで確かめる範囲と、本番へ進むかどうかを判断する材料は、分けて整理します。

• 成功条件：1品種の画像を机上評価するか、実ラインで試すかの決定
• 実ライン評価：カメラ、搬送、PLC信号、判定画面まで試す範囲により変わる費用と判断材料
• 契約範囲：本番用の装置改造、終了後の機器撤去、モデルや画像の持ち帰りの確認
• 本番移行条件：サンプル数、評価指標、速度、連続稼働時間、現場教育、保守体制
• 精度不足時：継続、方式変更、中止のどれにするかを契約前に決めます。追加費用の条件を明確にしておけば、予算超過を抑えやすくなります。

開発会社の担当範囲と導入後の体制の比較

開発会社を選ぶときは、現場対応から導入後の保守まで、どこまでを誰が受け持つかを確かめます。

• 現場対応：AIデモだけでなく、光学設計、搬送、PLC・ロボット、安全回路、ネットワーク、MES・QMS、画像保管の担当
• 複数社体制：全体責任者と障害時の窓口の決定
• 運用主体：品種追加や再学習を自社で行うか、保守会社へ依頼するかの選択
• 自社運用：操作性、権限、変更履歴、教育資料、テスト環境
• 外部委託：応答時間、現地・休日対応、更新単価、部品納期、終了時のデータ返却

リスクと追加費用の条件の見積書への記載

追加費用につながる条件は、見積書の前提に記載します。対象ラインやカメラ台数、画像枚数、保存期間を明記し、連携項目、訪問回数、検収回数も書き添えます。

• 現場条件：サンプル不足、照明・治具変更、品種追加、工場停止日の変更
• 既存設備：PLC仕様差、上位API改修、画像保存容量の増加
• 運用・審査：セキュリティ審査、訪問や検収の追加

クラウドや遠隔保守の場合は、通信経路と認証、権限を確認します。ログやバックアップ、切り戻しも、あわせて確かめます。

エッジ機器の場合は、USB接続、保守アカウント、OS更新の手順を決めます。

見積と受入条件は、製造、品質、設備保全の各部門が確認します。生産設備に接続するため、情報システムやセキュリティ、購買も含め、部門間で責任範囲をそろえます。

画像検査システム開発でよくある質問（FAQ）

導入できるかは、AIの種類だけでなく、不良が画像に現れるか、撮像条件を固定できるか、判定基準をデータ化できるかで決まります。

画像検査システムの学習には不良画像が何枚必要ですか？

必要量は対象やデータの条件によって変わるため、評価方法と合わせて考えます。

• 必要枚数：不良の種類、ばらつき、撮像条件、モデルによって変わるため、一律の枚数は決まりません。
• 不良が少ない場合：良品学習、疑似不良、既存検査機のNG画像、品質記録を組み合わせた評価
• 画像のばらつき：ロット、設備、照明、姿勢、重症度の違いを含めます。開発用と評価用の画像を分け、同じ画像で精度を高く見せないようにします。
• ベンダーへの確認：必要枚数の根拠、追加画像が必要になる条件、少量データの代替策

画像検査はAIとルールベースのどちらがよいですか？

判定条件が明確でばらつきが小さい検査はルールベース、傷やシミの見え方と良品差が大きい検査はAIが候補です。また、寸法・位置はルールベース、外観欠陥はAIにする方法もあります。

サンプルを使って検出率と誤検出率を比べるほか、設定変更や速度、説明性、更新、保守費も比較します。

判定基準や復旧手順が曖昧な場合は、AIの導入範囲を見直します。

画像検査システムはクラウドとエッジのどちらが安全ですか？

安全性は、配置に加えて、通信、認証、権限で決まります。ログ、バックアップ、更新、障害対応の定め方も、安全性を左右します。クラウドとエッジの違いは、画像を外へ送るかどうかと、通信断時にどう生産を続けるかに表れます。

• エッジ：通信断や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：複数拠点の学習や管理に向きます。ただし、画像送信と通信断時の生産継続を設計する必要があります。

機密性やリアルタイム性を中心に、ネットワーク、保守、保存期間を整理します。JEITAの指針などを参考に、関係部門で確認します。

画像検査システムはPoCだけ試してから導入できますか？

PoCを先に行うこともできます。1品種・1工程で撮像と精度を確かめ、速度や使いやすさ、投資効果を見たうえで本番化します。可能であれば、実ラインに近い姿勢や速度、照明、PLC信号で試します。

• 終了後の選択：PoCの終了時は、KPIと費用をもとに、継続か中止かを判断します。方式変更や対象縮小、追加収集も、選択肢になります。
• 契約の範囲：評価画像やモデル、設定を受け取れる契約にしておくと、別会社への相談にも使えます。課題、概算、本番条件もあわせて受け取れるようにします。

まとめ：画像検査システムの段階導入による成功確率の向上

要件整理、方式選定、設計開発、テスト、稼働、定着の順に進めると、判断の抜けを減らせます。撮像条件と合格基準を固めたうえで、代表ラインでKPIを検証してから対象を広げます。

発注前に確認するチェック項目

発注前の確認事項は、検査条件、データと連携、導入後の運用に分けて考えられます。見積もりも費目ごとにそろえ、範囲を比べやすくします。

• 検査条件：対象不良、判定基準、サンプル、撮像条件、タクト、誤検出と見逃しの優先度
• データと連携：保存期間、ロット・シリアル連携、PLC・MES・QMS、クラウドかエッジか
• 運用と費用：PoC成功条件、受入テスト、保守・更新担当、ソフト・機器・改造・教育費

最初の一歩としてのサンプルと現場条件の整理

現場の不良や検査方法、速度、サンプル、既存設備、損失を整理します。そのうえで、1工程の評価から始めます。開発会社へ相談する際は、品質KPI、異常時の人の判断、導入後の運用を基準にします。

複数社へ同じ条件を示して、サンプルテストと見積もりを比べれば、自社に合う方式と投資範囲を判断できます。

▼全体ガイドの記事
・画像検査システム開発の完全ガイド

▼RFP作成前に読みたい無料ホワイトペーパー
・業務システム開発の完全ガイドブック
・スクラッチ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。

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。