AI 検品の不良品の写真の集め方——日々の検査で撮って残す仕組みと記録の項目

この記事は、目視で検品している工場や商社が、将来 AI の画像検査を使うために、不良品の写真をどう集めて残すかを扱う。どんな状況の画像が足りないかを数える物差しや、正解の付け方を一本に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、ここでは集める現場の手順に絞る。AI を入れる時期が決まっていなくても、写真をためる仕組みは今日から始められる。

不良品の写真は、なぜ集まらないのか

表面技術協会の誌上の解説は、深層学習が正しく働くには事前に大量の学習画像が要るが、生産現場は良品を作る場であるため、良品の画像と同数かつ大量の不良品の画像を用意することは現実的にあり得ない、特に欠陥の種類を網羅させるのであればなおさらだ、と書いている^[1]。岐阜大学の新技術説明会の資料は、良品と不良品を学習するには同じくらいの数の学習サンプルが要るが、不良率 0.01% のラインでは不良のサンプルがなかなか手に入らず、集めるには数年かかる、と問題を示している^[2]。

1996 年の電気学会の論文も、製造技術が進んで発生する不良が極めて少なくなり、実験の評価に必要な不良サンプルを十分に用意できないことが開発の支障になっている、と書いている^[6]。この論文は、検査する物の形状のモデルを作り、コンピュータグラフィックス（CG）で欠点を作り出して評価に使う方法を提案している^[6]。不良品の写真が集まらない問題は、新しい話ではない。

集まらない理由は、不良が少ないことだけではない。現場では、不良と判定した物はすぐに廃棄や手直しに回るので、写真を撮る前に物が消えてしまう。誰が撮るのか、どこに保存するのか、名前をどう付けるのかが決まっていないと、写真があっても後から使えない。写真の数より先に、撮る場面と残し方を決める必要がある。

写真の出どころと、それぞれの注意

不良品の写真は、いくつかの出どころから集められる。出どころによって、写る欠点の偏り方が違う。

精密工学会誌の解説は、不良品の画像がそろわない場合に、限度見本や過去に出た不良品を使い、欠陥の箇所の撮る角度を変えるなどして不良品の画像を水増しして学習させる方法を紹介している^[3]。ただし、この場合は学習時の欠陥のバリエーションが少なくなり、試験（PoC）では良い精度が出ても、実際の検査ラインでは同じ精度が出ないことがあるので、学習用データの準備には注意が要る、としている^[3]。

表面技術協会の解説も、画像を左右反転・上下反転・回転させて見た目の学習画像を増やす前処理を挙げつつ、製造現場は実験室と違って外乱が多く、これで十分に対応できない場合が多いと考えられる、と書いている^[1]。将来の方向として、CAD の形状データから仮想空間で不良品の画像を作る考え方も紹介しているが、実際の製品とコンピュータ内の形状モデルは見た目が違うので、見た目の違いが影響しないような変換が必要になる、と注意している^[1]。

つまり、水増しや作った不良は、足りない種類を補う手段であって、実際の欠点の写真の代わりにはならない。いちばん価値があるのは、日々の検査で実際に見つかった不良と、客先で見つかった見逃しの写真である。

日々の検査で撮って残す仕組み

栃木県産業技術センターの共同研究は、目視検査の記録の多くが作業者の報告で成り立ち、検査結果と記録の信頼性が作業者個人に依存していることを問題とし、撮影から目視検査までをデジタルにする仕組みを試作している^[4]。コンベア上を流れる品物をカメラで自動で撮り、正面に補正して常に同じ状態で検査できる画像を作り、検査員はモニタ上で判定する。不良があれば、不良の位置と内容を登録でき、不良とされたものの分類と箇所が保存されるので、上流への情報の戻しが容易になる、としている^[4]。

ここから学べるのは、写真を「AI のための作業」として別に集めるのではなく、検査の記録そのものにしてしまう考え方である。検査員が不良と判定したら、その場で写真を撮り、欠点の名前と位置を付けて保存する。そうすれば、検査の記録が残るのと同時に、学習に使える写真がたまっていく。

AI を入れる前の段階で全数を自動で撮る仕組みまでは要らない。まずは、不良と判定した物と、判定に迷った物だけを、決まった条件で撮るところから始める。1 枚の写真に付ける項目は次のとおりである。

欠点の名前は、検査員が自由に書くとばらばらになる。名前の一覧と定義を先に決め、一覧から選ぶ形にする。決め方は外観の合否基準を仕入先と決めるで扱っている。不良の記録を不適合の手続きと結び付けるなら、不適合報告書（NCR）に何を書くかの欄とそろえておくと、二重に書かずに済む。

いまの検品の記録に、写真を残す手順を足すところから相談できる→ 写真の残し方を相談する

良品の写真も、条件を変えて残す

不良品の写真ばかり集めていると、良品の写真が足りなくなる。良品の写真は量があるので後回しにされがちだが、良品の見た目のばらつき（ロットによる色の違い、許される小さな傷、表面の光り方）が写っていないと、AI は良品を不良と判定しやすくなる。

良品の写真は、材料のロット、仕入先、季節、ラインの違いが入るように、間をあけて少しずつ残す。同じ日に同じロットの写真を大量に撮っても、ばらつきは写らない。良品だけで学習する方法を使う場合は、なおさら良品の写真の質が効いてくる。

集めた写真に付ける決まり——出所・時期・迷った物

集めた写真は、そのまま学習に使えるわけではない。産業技術総合研究所の機械学習品質マネジメントガイドラインは、データの準備で決めておくことを、品質の要求の段階ごとに挙げている^[5]。その最初の段階でも、データの出所が問題に対して適切かを検討・確認すること、ラベリング（正解を付けること）の方針を整理すること、ラベリングや外れ値の除去の判断基準を事前にまとめておくこと、作業者の間で統一した基準を定めて判断するかダブルチェックを行うことを求めている^[5]。

外れ値については、希少なデータを意味のある学習対象として採るか、測定のミスとして捨てるかは、問題の性質と個々のデータの中身で変わり、明確な方針や迷ったときの判断の手順を決めておかないと、データの選び方や正解の付け方がぶれる、としている^[5]。外観検査でいえば、めったに出ない欠点の写真を「大事なまれな不良」として残すか、「撮り損ね」として捨てるかの決まりである。

また、ガイドラインは、学習データを取ってから時間が経つにつれて性能が落ちることがあるので、データの新しさの管理が大事だとする一方、新しさを求めると使えるデータの量と対立し、特にまれなケースへの対応が要る場合は網羅性とのトレードオフになる、とも書いている^[5]。古い写真を捨てると、まれな欠点の写真まで消える。写真には撮った時期を必ず付け、捨てるかどうかは欠点の種類ごとに決める。

写真の集めや正解付けを外の会社に頼む場合について、ガイドラインは、品質管理の観点から受入検査を行う必要があり、その方法は事前に十分検討しておくべきだとしている^[5]。頼んだ先が付けた正解を、自社の検査員が抜き取りで見直す手順を、頼む前に決めておく。

撮る条件を先に決めておく

写真の残し方を決めても、撮る条件がばらばらでは使いにくい。表面技術協会の解説によれば、画像は光の反射で白く飛ぶといった小さな影響でも結果が変わりやすく、撮る環境を整える作業は、学習に使った画像と実際に運用した結果を見比べながら人が行うことになる^[1]。

写真をためる段階では、高価な装置は要らない。決めておくのは、どこで、どの照明で、どの向きで、何を背景に撮るかである。撮影台と照明を一つ決め、写真の隅に品番の札と大きさの目安が入るようにしておけば、後から見ても条件が分かる。将来 AI の装置を入れるときに条件が変わっても、ためた写真は欠点の種類と出方を知る材料として使える。

取引先の品物の写真を残すとき

検品しているのが取引先から受け入れた部品や、委託先で作ってもらった製品であれば、その写真の扱いも確かめておく。取引先との秘密保持の取り決めで、図面や製品の情報の持ち出しや第三者への提供が制限されていることがある。写真を社外の会社に渡して学習させるなら、取り決めの範囲に入るかを先に確かめる。ガイドラインも、追加の学習に使った実際の環境のデータについて、契約などの法的な位置づけに配慮しておく必要があるとしている^[5]。

よくある質問

写真は何枚あれば足りますか

一律の枚数は無い。欠点の種類、見た目の群、撮る条件ごとに、どれだけ写真があるかを数え、足りない組合せを見つけるのが先である。数える物差しの作り方は外観検査を AI で自動化する前に決めることにまとめた。

スマートフォンで撮った写真でもよいですか

ためる段階ではよい。ただし、撮る場所・照明・向きは決めておく。機種が変わると色や明るさが変わるので、機種も記録しておく。

判定に迷った物の写真はどう扱えばよいですか

捨てずに、迷いとして残す。迷った写真は、良品と不良の境目を決める一番の材料になる。境目の決め方は不良の境目を写真で決めるで扱う。

まとめ

不良品の写真は、工場が良品を作る場である以上、待っていても集まらない^[1][2][6]。限度見本や過去の不良品を撮り方を変えて増やす方法はあるが、欠点の種類が偏ったままだと、ラインで精度が出ないことがある^[3]。日々の検査で不良と判定した物と迷った物を、決まった条件でその場で撮り、欠点の名前・位置・判定者・現物の保管場所と一緒に残す^[4]。良品の写真も、ロットや時期のばらつきが入るように残す。集めた写真には出所と時期を付け、まれな欠点を残すか捨てるかの決まりを先に作っておく^[5]。

品番が多い場合の進め方は品種が数百あるときの AI 検品、費用の数え方は目視検査の自動化の費用対効果で扱う。

出典・参考資料

1. 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）
2. 少数不良品サンプル下における深層学習による正常モデル生成と異常品検出（加藤 邦人（岐阜大学）／科学技術振興機構 新技術説明会 資料／2019 年 7 月 11 日）
3. 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）
4. 目視検査のエビデンス取得に関する研究（栃木県産業技術センター 機械電子技術部／令和 5（2023）年度共同研究）
5. 機械学習品質マネジメントガイドライン 第 4 版（Revision 4.1.0）（産業技術総合研究所 デジタルアーキテクチャ研究センターほか／2023 年 12 月 12 日）
6. 限度見本による官能検査の特徴量特定（千葉直樹ほか／電気学会論文誌 D 116 巻 7 号／1996 年 6 月）

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