良品学習による異常検知 — 外観検査の基礎ガイド｜まず押さえたい10の質問
kotai2003一般的な技術解説です。特定製品の機能・検出性能・測定精度を保証するものではありません。
良品学習による異常検知は、良品の画像から「いつもの状態」を学び、そこから外れた部分を異常の候補として示す外観検査AIの方式です。本記事では、外観検査の自動化を検討する場でお客様からよく寄せられる質問を10問に整理し、一般的な技術解説として答えます。扱う範囲は、原理と他の方式との違い、学習データの集め方、不良品画像がない場合の進め方と得意・不得意、異常スコアと判定しきい値の読み方、見逃し率・過検出率による評価と生産ラインでの運用です。検討の前提をそろえる資料としてご活用ください。
目次
- 原理
- Q01 良品学習による異常検知とは、どのような技術ですか？
- Q02 良品・不良品を学習するAIや、従来の画像処理との違いは？ - 学習データ
- Q03 学習に使う良品画像は、何枚必要ですか？
- Q04 学習用の良品画像は、どのように撮影・選定すればよいですか？ - 不良と検証
- Q05 不良品画像がなくても、検査を始められますか？
- Q06 どのような欠陥が得意で、どのような欠陥が苦手ですか？ - 異常スコアとしきい値
- Q07 異常スコアやヒートマップは、何を意味しますか？
- Q08 良品と不良品を分ける判定しきい値は、どう決めますか？ - 評価と運用
- Q09 検出精度は、どのように確認すればよいですか？
- Q10 生産ラインで安定して運用するには、何に注意しますか？
1. 原理｜良品を覚え、いつもと違う場所を見つける
最初の2問は、この方式が何をしているのか、他の方式と何が違うのかの整理です。
Q01 良品学習による異常検知とは、どのような技術ですか？
良品の特徴を学び、そこから外れた部分を探します。
良品画像から、通常の形状・模様・色などの特徴を学習します。検査画像がその特徴からどれだけ離れているかを調べ、異常の候補を示します。ただし「いつもと違う」ことと「製品として不良」であることは同じではなく、品質基準に沿った判定が必要です。
- 学習 — 良品の特徴を覚える
- 検査 — 良品との違いを調べる
- 判定 — 品質基準に照らし合わせる
Q02 良品・不良品を学習するAIや、従来の画像処理との違いは？
必要なデータと、検査の基準を作る方法が異なります。
良品学習は、不良データが少ない場合に取り組みやすい方法です。良品・不良品の両方を使う教師あり学習は、既知の欠陥を学んで分類します。従来の画像処理は、明るさ・寸法・形状などのルールを人が設計します。対象に合わせて組み合わせることもできます。
- 良品学習 — 正常からの外れを探す
- 教師あり学習 — ラベル付きの例から学ぶ
- 従来の画像処理 — 人が検査ルールを設計
2. 学習データ｜枚数より、正常なばらつきの幅
良品学習の結果は、学習に使う良品画像の集め方に左右されます。問われるのは枚数そのものより、許容される正常なばらつきをどこまで含めているかです。
Q03 学習に使う良品画像は、何枚必要ですか？
必要枚数は、良品のばらつきと検査対象で変わります。
一律に「何枚あれば十分」とは言えません。同じ品物の似た画像を増やすだけでなく、許容されるロット差・色差・表面模様などを集めます。初期評価の結果から不足する条件を追加し、別に確保した評価画像で性能が改善するかを確認します。
- 枚数 — 対象と手法により異なる
- 多様性 — 許容される正常差を網羅
- 追加の判断 — 未学習の画像で評価
Q04 学習用の良品画像は、どのように撮影・選定すればよいですか？
撮像を安定させ、品質基準を満たす画像を選びます。
本番と同じ照明・ピント・画角・解像度を基本にし、不要な位置ずれや背景変化を抑えます。品質担当者が良品と確認した画像を使い、欠陥が混入しないようにします。許容差は含めつつ、判断が曖昧な境界品は別管理し、同一個体の画像が評価側へ混ざらないようにします。
- 撮像 — 本番条件に合わせる
- 選別 — 良品の基準を共有する
- 分割 — 個体・ロット単位で分ける
補足：この節のデータ準備手順は、現場での初期評価に向けた一般的な進め方です。
3. 不良と検証｜不良を覚えなくても、不良で確かめる
良品だけで学習できることと、不良品なしで性能を確かめられることは別の話です。あわせて、どのような欠陥が対象になりやすいかを整理します。
Q05 不良品画像がなくても、検査を始められますか？
学習は始められます。見逃しの確認には不良品が必要です。
良品だけでモデルを作り、良品が誤って不良と判定される割合を確認できます。ただし、不良品を用意しなければ見逃し率は評価できません。合成した不良画像は予備評価に役立ちますが、実際の不良を代表するとは限らず、実不良による確認を置き換えません。
- 良品だけ — 学習・過検出の確認
- 合成不良 — 評価準備を補助する
- 実際の不良 — 検出できるかを確認
Q06 どのような欠陥が得意で、どのような欠陥が苦手ですか？
良品との差が画像に明確に現れる欠陥が対象です。
傷・汚れ・欠け・異物などを検出できる場合があります。一方、画像に写らない欠陥や、縮小で消える微小欠陥、良品の模様に似た欠陥は難しくなります。個数・並び順などの異常への対応も手法次第です。まず、欠陥が見える照明と十分な解像度を確保します。
- 検出しやすい条件 — 正常との差が明確
- 難しい条件 — 微小・低コントラスト
- 最初の確認 — 元画像に欠陥が写るか
4. 異常スコアとしきい値｜異常の強さを、判定につなげる
モデルが出す異常スコアやヒートマップは、そのままでは合否になりません。読み方を押さえたうえで、しきい値を決めて判定につなげます。
Q07 異常スコアやヒートマップは、何を意味しますか？
良品からの外れの強さと、その場所を示します。
異常スコアは画像全体などの異常度、ヒートマップは場所ごとの異常度を色で表します。通常、スコアはそのまま不良確率を意味しません。赤い部分が傷の種類や原因を説明するわけでもありません。数値や色の尺度は、モデルや表示設定で変わります。
- 異常スコア — どれだけ外れているか
- ヒートマップ — どこが外れているか
- 読み方 — 確率や原因とは区別する
Q08 良品と不良品を分ける判定しきい値は、どう決めますか？
学習に使っていない画像で、見逃しと過検出を確認します。
通常、しきい値を下げると小さな異常を拾いやすくなり、良品の過検出も増えます。上げると過検出は減りやすく、見逃しが増える可能性があります。良品と不良品のスコア分布を確認し、品質要求に合わせて決定します。両者が重なる場合は撮像や学習も見直します。
- 低いしきい値 — 拾いやすい／過検出に注意
- 高いしきい値 — 通しやすい／見逃しに注意
- 決定の基準 — 現場の品質要求
補足：しきい値を調整した画像と、最終的な性能を確認する画像は分けて管理します。
5. 評価と運用｜見逃し率・過検出率で確かめ、使い続ける
最後の2問は、性能の確かめ方と、生産ラインで使い続けるための注意点です。
Q09 検出精度は、どのように確認すればよいですか？
見逃し率と過検出率を、件数と一緒に確認します。
学習・しきい値調整に使っていない画像で評価します。見逃し率は「見逃した不良数÷実際の不良数」、過検出率は「不良と判定した良品数÷実際の良品数」です。欠陥の種類・大きさ・ロット別にも確認します。少数の試験で見逃しゼロでも、将来のゼロは保証できません。
- 不良で評価 — 欠陥別の見逃し率
- 良品で評価 — 良品の過検出率
- 結果の記録 — 割合・件数・試験条件
Q10 生産ラインで安定して運用するには、何に注意しますか？
撮像条件と判定結果を監視し、変更後は再評価します。
撮影・転送・推論・判定・排出までが必要なタクトに収まるかを確認します。照明の劣化、レンズの汚れ、材料や品種の変更にも注意が必要です。過検出画像を無条件に良品として再学習せず、品質を確認して追加し、更新前後を同じ評価データで比較します。
- 速度 — 工程全体で時間を確認
- 変化 — 撮像・材料・品種を監視
- 更新 — 品質確認 → 再学習 → 評価
補足：この節の運用手順は一般的な提案です。
まとめ — 実務で押さえる3つの要点
- 「いつもと違う」と「不良」を区別する — 異常スコアやヒートマップは良品からの外れを示す材料です。合否は品質基準に照らして決めます。
- 枚数より、撮像条件・ばらつきの幅・画像の分け方 — 本番と同じ条件で撮り、許容される正常差を集め、学習・しきい値調整・最終評価の画像を分けて管理します。
- 最後は実際の不良と、学習に使っていない画像で確かめる — 見逃し率は実不良がなければ評価できず、合成不良はその確認を置き換えません。運用後も、条件が変わったら再評価します。
関連記事
- 不良品画像生成 — 外観検査の基礎ガイド｜まず押さえたい10の質問 — Q05で触れた合成不良の作り方と、学習・評価準備での使い分け
- 照度差ステレオ — 外観検査の基礎ガイド｜まず押さえたい10の質問 — Q06の「まず欠陥が見える照明」を、照明と撮像の側から掘り下げます
このテーマは、当社SNS（Facebook・Instagram・X）の連載「外観検査の基礎ガイド｜まず押さえたい10の質問」でも全5回に分けて紹介しています。
良品学習による異常検知のソフトウェア
当社は、良品学習による異常検知のソフトウェアとして E3 ENGINE® を提供しています。本記事で整理した点を、実際の対象物と撮像条件で確かめたい場合は、実サンプルでの確認・評価の進め方からご相談ください。
- E3 ENGINE® の詳細: https://www.tomomi-research.com/e3engine
- お問い合わせ: https://www.tomomi-research.com/contact
一般的な技術解説です。特定製品の機能・検出性能・測定精度を保証するものではありません。
見たいが見える — 株式会社TOMOMI RESEARCH
