AI 検品と検査員の分担の決め方——4 つの形と、全数・抜取りの切り替え

この記事は、AI の画像検査を入れる、または入れたばかりの工場で、AI と検査員の仕事をどう分けるかを扱う。AI の判定をそのまま承認しない仕組みの考え方（自動化バイアスへの注意）や、閾値を決めて記録する話は外観検査を AI で自動化する前に決めることで扱ったので、ここでは分担の形と、人が見る量の決め方に絞る。

分け方は 4 つの形に整理できる

AI と人の分担は、どちらが先に見るか、人がどの山を見るかで、おおむね次の 4 つの形に分けられる。

経済産業省の講演資料が紹介する、直径 3 cm ほどの円筒状のプラスチック加工品の事例は、B の形に近い^[1]。人が製品を検査機にセットし、AI が良品と判断した物はそのまま出荷し、不良と判断した物からは検査員が改めて目視で良品を除く。AI の判定を待つ間には、AI で検査できない部位（製品の内部など）を検査員が目視する^[1]。AI が見る項目と人が見る項目を分け、待ち時間に人の検査を重ねている点が参考になる。B や C の形で AI が良品とした物を通す場合も、人の最終判断は消えない。判定の基準と閾値、B に移る条件を人が決め、AI の見逃しが増えていないかを人が見張る、という形で残る。

D の形は、自動化というより見逃しを減らすための二重の目である。表面技術協会の誌上の解説は、AI は判定の理由がはっきりしないので、人として心情的に受け入れがたく、二重チェックの必要性が出てくる、と書いている^[7]。人の時間は減らないが、見逃しの損失が大きい検査では選択肢になる。

最初は A から始め、B に移る条件を決めておく

どの形を目指すにしても、入れた直後は A（人と AI を並べる）から始める。精密工学会誌の解説は、試験（PoC）で良い結果が出ても、すぐに人を検査ラインから外すのではなく、人との検査の併設期間を設けるなどの評価を十分に行い、学習モデルが現場に使えるかを人の目で確認してから自動化に切り替える必要がある、と書いている^[2]。

A の期間に毎日数えるのは、次の 4 つである。

B に移る条件は、A を始める前に決めておく。たとえば「決めた期間のあいだ、AI の見逃しが決めた件数以下で、見逃した物が客先で問題になる種類ではないこと」のように書く。数の決め方は、見逃しの重さによる。見逃しがゼロ件だったとしても、見た数が少なければ「見逃しが無い」とは言い切れない。何個見てゼロなら不良率は何 % 以下と言えるかの考え方は試作 N 台で不具合 0 件なら不良率は何 % 以下かと同じ計算になる。

AI がはじいた山——人の見直しの量を見積もる

B の形に移ると、人の仕事は AI がはじいた物の見直しになる。この量は、AI がどれだけ過剰に検出するかで決まる。精密工学会誌の解説は、画像検査は不良品を後工程に流さないために、目視に比べて過剰に検出していることがほとんどで、過剰検出が良品率を下げ、検査員による再チェックの手間が増えれば、効率化という自動化の目的にかなわない、と書いている^[2]。不良の箇所と汚れや水の跡を見分けられない場合があり、目視ならすぐ判断できるものでも画像検査では不良と判定されてしまうことがある、とも指摘している^[2]。

だから見直しの量は、A の期間に数えた「人は良品、AI は不良」の個数から見積もる。閾値を見逃しの少ない側に寄せるほど、この山は大きくなる。見直す人の時間と、見逃しの重さを並べて、閾値の位置を決める。見直しの山に汚れや水の跡が多いなら、AI を直す前に、撮る前の清掃や乾燥の工程を見直したほうが早いこともある。

AI が通した山——全数と抜取りを行き来する

C の形では、AI が良品とした山を人が抜き取りで確認する。この確認は、AI の見逃しが増えていないかを見張るためのものである。

JIS Z 8101-2（統計の用語）は、見つかった不適合品をすべて取り除く全数検査をスクリーニング検査と呼び、また、連続して流れる工程に使う抜取検査の型として、観測された工程の品質に応じて全数検査の期間と抜取検査の期間を切り替える方式（連続型抜取検査）を定義している^[3]。AI 検品にあてはめると、AI が全数を見て不良をはじくのがスクリーニングにあたり、人の確認は「品質が良いあいだは抜取り、問題が見つかったら全数に戻す」という切り替えの考え方で組める。

ロットごとの抜取検査の規格である JIS Z 9015-1 も、品質の低下が見つかればきつい検査への切替えや検査の停止で消費者を自動的に守り、良い品質が続けばゆるい検査への切替えで検査の費用を減らす、という切替えの仕組みを持っている^[4]。人の確認の頻度も、最初から一つに決めず、見つかった結果で変える前提で決める。

ただし、抜取りの規格をそのまま AI の性能の証明に使うことはできない。JIS Z 9015-1 は、AQL（合格品質限界）は抜取検査の仕組みの指標であって、生産工程の管理の水準を述べたものと混同してはならない、と注意し、AQL を指定することは不適合品と知りながら供給してよいことを意味しない、とも書いている^[4]。抜取りで合格したロットにも不良は入りうる。抜取りの結果は「見逃しが増えていないかの見張り」として使い、見逃しを見つけたら、その画像を残してモデルの見直しにつなげる。

人が見る山と抜き取る数の決め方を、いまの検品の量から一緒に考える→ 検品の分担を相談する

人が見る部分の質を保つ

分担を決めても、人が見る部分の質が落ちれば意味がない。AI が入ると、人は「AI がはじいた物」ばかりを見ることになり、単調さは変わらないことが多い。

中小企業基盤整備機構の J-Net21 は、人の感覚による官能検査は、検査する人が違う場合だけでなく、同じ人でも検査の環境の違いやその日の体調で合否の判定にばらつきが出るとし、精度を保つために、検査の手順と方法を標準化し、連続して行う場合は検査時間の上限を設けること、監督者が検査担当者と合否の結果を現物で確かめ、誤った判定の理由を検討して教育を続けることを挙げている^[5]。AI がはじいた物の見直しも、この官能検査そのものである。

香川大学の石井氏の講演は、目視検査の指導としてよく使われる「見逃しがないようよく見る」「照明は明るいほど検出しやすい」「検査結果をフィードバックして注意を促す」「検査業務を一人で完結させる」「不良見本で訓練する」といった事柄が、長時間・終日の目視検査の現場では正しいとは言えず、逆に見逃しの原因になりうる、と述べている^[6]。そのうえで、手順書では全不良項目の把握、不良を見つける原理に基づく作業姿勢と照明の角度、視野の範囲と視点の位置、検査の順序と視点の移り方を押さえることが必須だとしている^[6]。AI の後ろに人を置くときも、人の検査の手順をこの観点で書き直しておく。

分担を決めたら、記録と見直しの日を決める

分担は一度決めて終わりではない。品番の追加、材料や仕入先の変更、照明の劣化で、AI の判定は少しずつ変わる。人が見直した結果のうち、AI と人の判定が違った物を毎日記録しておけば、その件数の変化が見直しのきっかけになる。

記録しておくのは、AI の判定、人の判定、判定が違った物の写真、その日の品番とロットである。週や月の単位で「人は良品、AI は不良」と「人は不良、AI は良品」の件数を並べ、どちらかが増えたら原因を調べる。人の確認を抜取りに減らしていた場合は、全数に戻す条件もあわせて決めておく。試験導入から本番に移すときの持ち主と見直しの日の決め方は工場の試験導入を本番につなげるで扱っている。

受け入れた部品の検査に AI を使う場合は、人と AI の分担を変えたときに、合否の基準そのものが厳しくなっていないかにも注意する。基準を変えるなら、変える前に仕入先と合わせる。受領を拒める範囲は受領拒否・返品・やり直しはどこまで許されるかで扱っている。

よくある質問

いつ人を検査から外してよいですか

並べて確かめた期間の記録で、AI の見逃しが決めた条件を満たしてからである。外すときも、AI が見られない項目と、AI がはじいた物の見直しは人に残る。2020 年の解説は、正答率 90〜98% から先の数 % を上げるのは至難の業だと見立てており、全部を AI にする計画は最後の数 % で止まりやすい^[7]。

AI がはじいた物を見直すと、つい「AI がそう言うなら」と不良にしてしまいます

人の判定が AI に引っ張られている状態である。見直す人には、AI がどの欠点ではじいたかを見せずに判定させる場面を一部に作る、といった工夫がある。考え方は外観検査を AI で自動化する前に決めることにまとめた。

抜取りの数は JIS の表から決めればよいですか

ロットの合否を決めるなら JIS Z 9015-1 の手順が使える^[4]。AI の見逃しの見張りとして抜き取るなら、見つけたい見逃しの率と、見逃したときの重さから決める。どちらの目的で抜き取るのかを先に分ける。

まとめ

AI 検品の分担は、人と AI を並べる、AI が先で不良の山を人が見直す、良品の山も人が抜き取る、人の後に AI が重ねて見る、の 4 つの形に整理できる。事例でも、AI が良品とした物は出荷し、不良とした物と AI が見られない部位は人が見ていた^[1]。最初は人と AI を並べて見逃しと見すぎを数え、移る条件を先に決める^[2]。AI がはじいた山の量は過剰検出で決まる^[2]。AI が通した山は、全数と抜取りを結果で切り替える考え方で見張る^[3][4]。人が見る部分は、検査時間の上限と手順で質を保つ^[5][6]。

不良品の写真の集め方は不良品の写真の集め方、良品と不良の境目の決め方は不良の境目を写真で決めるで扱う。

出典・参考資料

1. 中小企業におけるAI導入の活用・促進 ～経済産業省の取組と事例紹介～（経済産業省 商務情報政策局 情報技術利用促進課／岩手県ホームページ掲載の講演資料）
2. Deep Learning の外観検査への適用と研究動向（久保田 進也／精密工学会誌 85 巻 1 号／2019 年）
3. JIS Z 8101-2:2015 統計－用語及び記号－第 2 部：統計の応用（日本産業標準調査会 JIS 検索／2015 年改正）
4. JIS Z 9015-1:2006 計数値検査に対する抜取検査手順―第 1 部：ロットごとの検査に対する AQL 指標型抜取検査方式（日本産業標準調査会 JIS 検索で閲覧／2006 年 11 月 20 日改正）
5. 製造業での検査の基本となる官能検査について教えてください。（中小企業基盤整備機構 J-Net21 ビジネスQ&A）
6. 目視検査を成功させる（キーノートスピーチ）（石井明／2014 年度精密工学会春季大会学術講演会講演論文集／2014 年 3 月）
7. 画像検査への AI の応用についての現状と将来に関する考察（成田 浩久・舘山 武史・永野 佳孝・藤本 英雄／表面技術 71 巻 7 号／2020 年）

WHITE PAPER

この記事の理解を深める
無料ホワイトペーパーをプレゼント

製造業の現場で使える実務資料（PDF）を無料でお届けします。"こんな資料が届きます" ↓ 下のボタンからどうぞ。

🔒 全文は無料ダウンロードで