画像認識AIの外観検査は、画像だけを見て良品・不良品を答える部品ではありません。製品コード、ロット、カメラ条件、欠陥基準、設備信号を画像へ結び、見逃し時の影響に応じて人へ戻す仕組みです。本稿では、樹脂ケースを毎分30個流す架空ラインを対象に、傷、欠け、異物、印字ずれを検査する想定実装を組み立てます。画像と構造化データと文章基準を扱うマルチモーダル構成にし、自社ラインで六週間の影運用を始められるか判断できる状態を目指します。
画像認識AIの外観検査を樹脂ケース一品番に固定する
対象は、一つの金型と固定した撮影設備で生産する黒色の樹脂ケース一品番です。上面と側面を各一台の固定カメラで撮り、幅0.5mm以上の傷、長さ1.0mm以上の欠け、付着異物、印字位置のずれを候補として検出します。内部の寸法、材料強度、組立後の電気性能、触覚でしか分からない段差は範囲外です。良否基準は品質保証部が承認した図面と限度見本を正本にし、AIの説明文で基準を変更しません。
完成状態は、ラインを流れる各製品へ画像IDを付け、「自動通過」「排出して人が確認」「撮影不良で再撮影」「設備異常でライン停止」のいずれかを500ミリ秒以内に返すことです。最終的な廃棄、手直し、特別採用は品質担当者が決めます。画像、製品コード、ロット、撮影条件、欠陥候補の領域、モデル版、しきい値、判定基準版、人の修正を同じ検査IDへ保存します。
| 観点 | 本実装で扱う範囲 | 別工程へ渡す範囲 | 境界の確認者 |
|---|---|---|---|
| 表面 | 傷、欠け、異物、色むらの画像候補 | 触感、硬度、内部亀裂 | 品質保証担当 |
| 印字 | 位置、欠け、読めない文字の候補 | 表示内容の法令適合性 | 製品・法務担当 |
| 撮影 | 明るさ、ぼけ、位置ずれ、遮蔽 | カメラ故障とネットワーク障害 | 設備保全担当 |
| 判定 | 欠陥候補の種類、領域、スコア | 廃棄、手直し、特別採用 | 検査資格を持つ担当者 |
| 追跡 | 検査IDから画像・ロット・結果を検索 | 出荷後の品質保証判断 | 品質管理責任者 |
マルチモーダル化の目的は、画像に説明を付けることではありません。どの品番を、どの基準版と撮影条件で判定したかを結び、AIの範囲外を人が発見できるようにすることです。
NISTのAI Risk Management Framework 1.0は、配備条件に近い環境で性能を測り、運用中も機能とリスクを監視する考え方を示しています[4]。この資料は任意の業種横断フレームワークなので、製品固有の品質規格や顧客契約に置き換わりません。本稿では、試験条件と停止判断を継続的に見直す根拠として参照します。
推論画像・製品JSON・文章の判定基準を同じ検査IDで受け取る
入力は三系統に分けます。第一はカメラ画像、第二はPLCや製造実行システムから来る製品情報、第三は品質保証部が承認した判定基準です。画像ファイル名へ品番や良否を埋め込むと、名称変更や取り違えが起きるため、対応は検査IDで管理します。上面画像と側面画像がそろわない場合は片面だけで良品にせず、撮影不良として排出します。
| 入力 | 本記事の形式 | 必須情報 | 受付しない例 |
|---|---|---|---|
| 推論画像 | 8bit RGBのPNG、2048×2048px | image_id、camera_id、view、撮影時刻 | 再圧縮JPEG、アルファ欠損、解像度違い |
| 保全画像 | カメラ原形式または無変換TIFF | 元データのハッシュ、保存先、保持期限 | 推論用に縮小した画像しか残っていない |
| 製品情報 | UTF-8 JSON | product_code、lot_id、mold_id、line_id | 品番未確定、時刻が画像と2秒以上ずれる |
| 撮影条件 | 版管理したJSON | 露光、照明、レンズ、距離、治具位置 | 自動露光が無断で変わった、校正期限切れ |
| 判定基準 | 承認済みMarkdownと機械判定用JSON | 欠陥名、寸法、重大度、限度見本ID、版 | 口頭指示、承認者不明、廃止済み基準 |
| 設備信号 | 時系列JSONまたはCSV | trigger_id、line_speed、rejector_state | 検査IDへ対応しない集計値だけのデータ |
PNGと2048pxは製品やモデルの普遍的な推奨値ではなく、この想定ラインの入力規約です。開発時にはRAW画像を残し、照明とレンズを決めてから、欠陥の最小寸法が何画素になるかを測ります。0.5mmの傷を5画素以上で表す設計なら、一画素当たり0.1mm以下になるよう視野と解像度を調整します。画像をモデルへ合わせて拡大しても新しい細部は増えないため、撮像系の不足を補間で隠しません。
{ "inspection_id": "L2-20260730-00018421", "images": [ {"view": "top", "image_id": "IMG-T-18421", "sha256": "..."}, {"view": "side", "image_id": "IMG-S-18421", "sha256": "..."} ], "product": {"code": "CASE-BLK-01", "lot": "260730-A", "mold": "M03"}, "capture_profile": "cam-profile-2.4", "quality_rule": "case-blk-01-v7"}
時刻同期も入力品質の一部です。カメラ、PLC、エッジ端末の時計を同期し、トリガーIDの重複や欠番を監視します。画像と製品情報の対応がずれると、高性能なモデルでも別製品の判定を登録します。欠番が一件出た時点でその区間を隔離し、最後に対応が確認できた検査IDまで戻って現物数と照合します。
欠陥分類・限度見本・正解領域を品質担当者が二段階で確定する
正解データには、良品、不良品、判定保留、撮影不良を含めます。不良品は傷、欠け、異物、印字ずれへ分け、さらに重大、軽微、対象外を付けます。画像全体のラベルだけでは、背景や治具を見て判断するモデルになっても気付けません。欠陥がある画素領域または矩形を記録し、同じ製品の上面・側面画像を一組として扱います。品質担当者二名が独立にラベルを付け、不一致は限度見本と図面を用いて責任者が裁定します。
原著論文「MVTec AD — A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection」は、15の物体・テクスチャ分類と5,354枚の高解像度画像を扱います。70種類を超える欠陥と、画素単位の正解領域を備えたベンチマークです[1]。この一次情報は、正常画像だけでなく欠陥種類と位置を分けて評価する参考になります。ただし、公開ベンチマークで高得点でも、黒色樹脂、実ラインの照明、金型差、油汚れへ一般化できるとは限りません。
| ラベル | 定義例 | 必要な注釈 | 迷った場合 |
|---|---|---|---|
| 良品 | 承認済み限度内で出荷可能 | 品番、ロット、撮影条件、確認者 | 判定保留へ移し良品へ寄せない |
| 重大な傷 | 幅0.5mm以上または機能面に到達 | 領域、幅、位置、限度見本ID | 品質保証責任者が寸法を再測定 |
| 軽微な傷 | 外観基準内だが画像上で識別可能 | 領域、基準内とした理由 | モデル学習では不良と混同しない区分を保持 |
| 異物 | 製品表面に付着し除去前の状態 | 領域、除去後画像、再検査結果 | 傷との重複ラベルを許可 |
| 撮影不良 | ぼけ、反射、遮蔽、位置外れ | 品質スコア、カメラ、再撮影ID | 製品不良として学習させない |
| 未知欠陥 | 既存分類に入らない構造変化 | 自由記述、領域、発見者、現物保管先 | 新分類の承認まで自動通過を禁止 |
MVTec ADの配布ページは、データをCC BY-NC-SA 4.0で提供し、商用利用を認めないと明記しています[2]。研究用データを見つけたからといって、商用モデルの学習へそのまま移しません。データセット、限度見本、顧客支給画像、合成欠陥ごとに、利用目的、再配布、派生物、モデル学習、保存期間を台帳化します。
高速な画像判定・文章基準の照合・設備制御を別コンポーネントにする
ライン上の一次判定は、固定条件で動く画像モデルと業務ルールが担当します。画像モデルは欠陥スコアと領域を返し、ルールエンジンは品番別しきい値、撮影品質、二方向画像の有無、設備状態を確認します。マルチモーダルモデルは、排出された候補について、画像、欠陥領域、製品情報、判定基準の該当箇所を読み、確認者向けの説明候補を作ります。生成された説明だけで製品を良品へ戻す権限は与えません。
CVPR 2025 Workshopの原著論文「Detect, Classify, Act」は、産業異常の検出結果とマルチモーダル大規模言語モデルを組み合わせ、欠陥分類と後続行動へつなぐ研究を報告しています[3]。研究結果は特定データセット上のもので、工場の合否保証ではありません。本実装では、説明・検索・類似事例提示に利用し、速度と安全を要求する排出信号は決定的な処理へ残します。
撮影トリガー -> 入力契約と時刻対応を検査 -> 画像モデルで欠陥スコア・領域を推論 -> 品番別ルールで通過・排出・再撮影・停止を決定 -> 500ms以内にPLCへ結果を返す -> 排出案件だけ確認キューへ登録 -> マルチモーダルモデルが基準候補と類似事例を提示 -> 品質担当者が良品・手直し・廃棄・保留を確定 -> 修正ラベルを評価用データへ候補登録
| コンポーネント | 主な役割 | 出力 | 障害時の既定動作 |
|---|---|---|---|
| 撮像・品質検査 | 画像取得、露光、ぼけ、位置の確認 | 合格画像または再撮影理由 | 製品を排出して現物を保持 |
| 画像モデル | 欠陥候補の分類と位置推定 | クラス、スコア、マスク | 応答なしを良品にせず設備ルールへ通知 |
| ルールエンジン | 品番、重大度、基準版、設備信号の照合 | 通過、排出、再撮影、停止 | 安全側の排出へ切り替える |
| 説明支援 | 画像と文章基準から確認候補を提示 | 根拠候補、類似事例、質問 | 説明なしで人が原本と基準を確認 |
| 確認画面 | 人の最終処置とラベル修正 | 確定結果、理由、担当者 | キューを保留し無断で通過させない |
| 監視・履歴 | 遅延、精度、版、設備変更の追跡 | 警告、停止要求、監査記録 | 担当者へ通知し対象ロットを隔離 |
エッジ端末とクラウドを併用する場合は、どの情報を社外へ送るかを固定します。通常品の全画像をクラウドへ送らず、排出候補の切り出し画像と仮IDだけを説明支援へ渡す構成も選べます。クラウドが停止しても画像モデルと排出器が動くよう、基準版、しきい値、直近のモデルをエッジへ保持します。復旧後の再送は検査IDで重複を除きます。
全体正解率ではなく欠陥別の見逃し・過検出・位置ずれを評価する
外観検査では、不良を良品と判定する見逃しと、良品を不良と判定する過検出を分けます。良品が多いラインでは、すべて良品と答えるモデルでも全体正解率が高くなるためです。製品単位の再現率・適合率、正常品に対する過検出率、欠陥領域のIoU、撮影不良の検知率を品番、金型、ロット、シフト、カメラ別に集計します。重大な欠陥は平均値へ埋め込まず、独立した合格条件を持たせます。
欠陥再現率 = TP ÷ (TP + FN)欠陥適合率 = TP ÷ (TP + FP)過検出率 = FP ÷ (FP + TN)全体正解率 = (TP + TN) ÷ 全評価数領域IoU = 予測領域と正解領域の重なり ÷ 両領域の和集合
固定評価4,000枚のうち欠陥400枚、正常3,600枚とします。真陽性392、見逃し8、過検出108、真陰性3,492という想定例では、欠陥再現率は392÷400＝98.0％、適合率は392÷500＝78.4％、過検出率は108÷3,600＝3.0％、全体正解率は3,884÷4,000＝97.1％です。全体正解率だけなら良好に見えても、8枚の見逃しと108枚の余分な確認が残ります。見逃しの欠陥種類と過検出による確認工数を別々に評価します。
| 指標 | 本記事の基準案 | 測定単位 | 基準外の処置 |
|---|---|---|---|
| 重大欠陥の再現率 | 99.5％以上を目標、固定試験の見逃し0件 | 欠陥種類×金型×撮影方向 | 無人通過を止め全数確認へ戻す |
| 軽微欠陥の適合率 | 85％以上 | 傷、異物、印字ずれを個別集計 | しきい値と限度見本を再確認 |
| 正常品の過検出率 | 2％以下 | シフト・ロット・カメラ別 | 照明変動と治具位置を先に修正 |
| 撮影不良検知率 | 99％以上 | ぼけ、反射、遮蔽、位置外れ | 良否判定せず再撮影へ固定 |
| 領域IoU | 中央値0.60以上、重大部位の未重複0件 | 画素注釈がある欠陥 | 説明画面の領域を信用せず人が再指定 |
基準値は編集部の設計例で、顧客要求や安全性に応じて品質責任者が承認します。たとえば重大欠陥100枚のうち99枚を検出しても再現率は99.0％で、99.5％の目標を満たしません。評価枚数が少ないと一件の影響が大きいため、点推定だけでなく母数と信頼区間を記載します。合成欠陥で増やした画像は実欠陥と別集計にし、実ラインで未知の見逃しが発生したら学習前に原因と影響を調べます。
確認画面で原画像・欠陥領域・製品情報・判定基準を横並びにする
確認画面の左には上面と側面の原画像、中央には拡大画像と欠陥領域、右には製品コード、ロット、金型、モデル版、判定基準版を表示します。領域を選ぶと、同じ品番の限度見本、直近の類似欠陥、画像モデルのスコア、マルチモーダルモデルの説明候補が切り替わります。説明候補には参照した基準の節番号を付け、文章だけを根拠にしません。確認者は元画像を100％表示し、圧縮サムネイルで微細傷を確定しないようにします。
| 確認項目 | 画面表示 | 選べる結果 | 必須記録 |
|---|---|---|---|
| 画像品質 | ぼけ、露光、位置、遮蔽の値と基準 | 判定続行、再撮影、設備確認 | 不良理由と対象カメラ |
| 欠陥種類 | 予測クラス、スコア、類似見本 | 確定、別クラス、未知欠陥 | 修正前後のクラス |
| 欠陥領域 | マスク、寸法換算、機能面との距離 | 採用、領域修正、候補削除 | 変更した輪郭と測定値 |
| 製品処置 | 品番別基準、ロット履歴、設備状態 | 良品、手直し、廃棄、保留 | 担当者、時刻、理由コード |
| 後続対応 | 同ロットの件数推移と警告 | 単品処理、ロット隔離、ライン停止 | 影響範囲と連絡先 |
確認画面はAI候補を最初から強調しすぎないようにします。週次監査では、候補表示前に人が判定するブラインド枠を各欠陥20件設け、AIへの追随率を測ります。ショートカットは良品確定より「保留」「未知欠陥」「撮影不良」を押しやすくし、処理速度を競わせません。人が領域や分類を修正したデータは、すぐ学習へ流さず、二人目の確認とデータ利用権限を通して評価候補へ登録します。
画面上のしきい値変更は品質管理者だけに許可し、変更理由、変更前後の値、対象品番、回帰試験ID、承認者を残します。現場担当者が一件を通すためにしきい値を動かす操作は認めません。特別採用はAI設定ではなく、既存の品質承認フローで製品単位に記録します。
作業者の写り込み・顧客図面・学習データの利用条件を分けて管理する
固定カメラでも、調整時に作業者の顔、名札、制服番号、端末画面が写ることがあります。個人情報保護委員会のガイドラインQ&Aは、カメラで特定の個人を識別できる画像を取得する場合、個人情報を扱うことになり、利用目的をできる限り特定してその範囲で利用する必要があると説明しています[5]。生産検査の視野を製品と治具へ絞り、作業者エリアを物理的に写さない設置を優先します。
一時的な写り込みが避けられない保全画像は、推論前に人物領域をマスクし、原画像の閲覧者を設備保全と情報管理担当へ限定します。利用目的、撮影場所、保存期間、アクセスログ、削除方法を掲示と社内規程へ反映します。顔識別を目的にしていなくても、画像から個人を識別できる可能性があれば「検査画像だから個人情報ではない」と決めつけません。事故調査用の長期保存と、モデル改善用の保存を同じ根拠で扱わないことも重要です。
顧客図面、ロゴ、限度見本、競合製品画像、外部データセットには著作権や契約上の制限があり得ます。文化庁の「AIと著作権について」は、AI開発・提供・利用の各立場で確認すべき論点をまとめています[6]。同資料だけで個別利用の適法性が確定するわけではないため、複製、外部送信、学習、再配布、成果モデルの利用を法務・契約担当が区別します。
| データ | 利用目的 | 許可を確認する範囲 | 終了時の処理 |
|---|---|---|---|
| ライン画像 | 当該製品の合否支援と品質追跡 | 作業者への周知、顧客契約、保存場所 | 品質記録の期限後に削除または限定保管 |
| 限度見本・図面 | 欠陥定義と確認画面の比較 | 複製、クラウド送信、委託先閲覧 | 契約終了時に返却・削除を証跡化 |
| 公開データセット | 手法の事前比較と評価コード確認 | 商用利用、派生物、表示、同一条件配布 | ライセンスに従いモデル利用可否も再確認 |
| 人の修正ラベル | 評価と再学習候補 | 業務記録の二次利用、担当者情報の最小化 | 学習採用・不採用と削除日を記録 |
| 説明生成ログ | 確認支援と原因分析 | 外部サービスの学習利用、再委託、保持 | 検査証跡に必要な範囲だけ残す |
二秒のラインサイクルと例外確認を分けて処理時間・費用を試算する
毎分30個なら一個当たりのラインサイクルは60秒÷30＝2,000ミリ秒です。想定設計では、撮影80ミリ秒、画像検査40ミリ秒、画像モデル180ミリ秒、業務ルール20ミリ秒、PLC応答40ミリ秒で通常経路を360ミリ秒とします。ネットワーク待ちを伴う説明生成は排出後に平均1,200ミリ秒で行い、ラインの通過信号を待たせません。800ミリ秒までに判定信号が返らなければ、製品を排出するフェイルセーフへ切り替えます。
遅延は平均だけでなくp50、p95、p99、最大値をシフト別に測ります。画像保存が詰まる、GPUが温度制限に入る、モデル更新後にメモリ使用量が増える、クラウド説明が滞るといった条件を負荷試験へ含めます。毎分45個に相当する1,333ミリ秒周期で二時間流し、判定欠落、画像と製品IDのずれ、排出器の取りこぼしが0件であることを確認します。説明生成が遅れても現物の保留場所と検査IDが一致していれば、品質担当者は後から処置できます。
| 費目 | 計算条件 | 想定額 | 実測へ置き換える値 |
|---|---|---|---|
| カメラ・照明・治具 | 二方向撮影と遮光を含む | 450,000円 | 現場見積もりと保守部品 |
| エッジ端末 | GPU、I/O、予備ストレージ | 350,000円 | 必要性能、保証、交換時間 |
| 連携・設備改修 | PLC、製造実行システム、排出器 | 1,200,000円 | 停止工事、検証、復旧費 |
| 確認画面・データ整備 | UI、ラベル、権限、監査ログ | 600,000円 | 開発・教育・正解作成の実時間 |
| 月次推論・保存 | 10万個、二画像、説明対象8％ | 100,000円 | GPU電力、API請求、保存容量 |
| 月次確認・保守 | 確認50時間×4,000円と保守 | 300,000円 | 画面ログ、障害、再学習作業 |
初期費用 = 450,000 + 350,000 + 1,200,000 + 600,000 = 2,600,000円月次運用費 = 推論・保存100,000 + 確認・保守300,000 = 400,000円従来検査の想定 = 2名 × 160時間 × 3,000円 = 960,000円/月月差額 = 960,000 - 400,000 = 560,000円単純回収期間 = 2,600,000 ÷ 560,000 = 約4.6か月
この計算は実績ではなく、費用項目を漏らさないための想定例です。AI導入後も出荷監査、未知欠陥の確認、設備保全、顧客対応は残ります。見逃し一件の回収・補償費が大きい製品では、人件費差より期待損失を優先します。「見逃し費用＝発生確率×影響額」「過検出費用＝余分な確認件数×一件時間×時間単価」を別々に置き、しきい値変更前後で比較します。
六週間の影運用で撮影・精度・設備連携・復旧を順番に確認する
一週目は視野、照明、最小欠陥の画素数を決め、カメラ校正と時刻同期を確認します。二週目は良品、欠陥、境界、撮影不良を集め、二人の品質担当者が正解ラベルを作ります。三週目は画像モデルとルールを固定評価データで試し、欠陥種類別の見逃しを確認します。四週目はPLCへ信号を返しても製品を実際には排出しない影運用を行い、人の判定と比較します。
五週目は排出器を検証モードで動かし、良品は従来検査へ残したまま、候補だけ別レーンへ送ります。六週目は二時間の高負荷試験、カメラ切断、GPU停止、ストレージ満杯、時刻ずれ、クラウド停止を発生させます。復旧後に画像と現物が対応し、未判定品を良品として流さないことを受入条件にします。本番移行は、品質保証、製造、設備保全、情報管理の四者が同じ結果を承認した後です。
| 確認領域 | 合格条件 | 証跡 | 不合格時の戻り先 |
|---|---|---|---|
| 入力対応 | 画像、製品情報、基準版の取り違え0件 | 検査IDと現物の照合表 | トリガー・時刻同期設計 |
| 重大欠陥 | 固定試験と影運用で見逃し0件 | 欠陥別混同行列と原画像 | 撮像、ラベル、モデル |
| 処理時間 | 通常経路p99が500ミリ秒以内 | エッジ端末の時刻ログ | 前処理、モデル、I/O |
| 確認画面 | 品質担当者が根拠と修正履歴を再現可能 | 操作テストと監査ログ | UI・権限設計 |
| フェイルセーフ | 判定欠落時に対象品を確実に排出 | 障害注入と現物追跡 | PLC・排出器・保留レーン |
| 情報管理 | 人物画像と顧客資料の経路が承認範囲内 | データフロー、権限、削除試験 | 撮影範囲・保存・契約 |
本番後は日次で入力品質と遅延、週次で欠陥別の見逃し・過検出、月次で金型・ロット・シフト差を確認します。カメラ、照明、レンズ、治具、品番、材料、金型、ライン速度、モデル、しきい値、判定基準のどれかが変われば回帰試験です。同じモデルを使い続けていても、現場条件が変われば再承認が必要です。
未知欠陥・撮影不良・時間超過を人へ戻し、影響範囲を止める
人へ戻す条件は、製品単体、ロット、ライン、データ送信のどこを止めるかと対にします。欠陥スコアがしきい値の近くにあるだけなら製品を排出して品質担当へ渡します。画像と製品IDがずれた場合は、その一品だけでなく前後の対応が保証できない区間を隔離します。人物の写り込みや顧客資料の誤送信が疑われるときは、クラウド送信と共有を止め、情報管理の事故対応へ移します。
| 検知条件 | 停止範囲 | 引き継ぐ担当 | 再開条件 |
|---|---|---|---|
| 欠陥スコアが保留帯に入る | 当該製品を別レーンへ排出 | 検査資格を持つ品質担当 | 限度見本と原画像で処置を確定 |
| 既存分類にない領域が出る | 同種候補と対象ロットを保留 | 品質保証責任者 | 未知欠陥の影響と新ラベルを承認 |
| 上面・側面の片方が欠ける | 当該製品の良否判定 | 設備保全担当 | 再撮影または手検査を完了 |
| 画像とPLC時刻が2秒以上ずれる | 最後の正常対応以降の製品 | 製造・システム担当 | 現物数と検査IDの対応を復元 |
| 通常経路が800ミリ秒を超える | 自動通過を停止し排出へ固定 | 設備保全とAI運用担当 | 負荷原因を除き高負荷試験に合格 |
| 重大欠陥を一件見逃す | 対象品番の無人判定とロット出荷 | 品質保証・製造責任者 | 影響調査、再評価、是正承認を完了 |
| 作業者情報が外部送信される疑い | 説明支援への画像送信 | 情報管理責任者 | 対象特定、削除、再発防止を確認 |
| 判定基準版を特定できない | 対象品番の新規検査 | 品質文書の管理者 | 有効な基準版と承認者を復元 |
この実装が向かないライン
撮影位置と照明を固定できない、限度見本を品質担当者同士で合意できない、現物を排出・保留する設備がない、画像と製品IDを追跡できないラインには適しません。安全機能、内部強度、法令適合を画像だけで保証しようとする案件も対象外です。まず従来検査とトレーサビリティを整えます。
終了時にはモデルを止めるだけでなく、PLCの分岐、定期転送、クラウド認証情報、保存バケット、確認キュー、監視通知を無効化します。未確定品は検査IDと現物置き場を照合し、従来検査へ戻します。停止前のモデルで判定した製品と、停止後に人が判定した製品をロット記録で区別できれば、問題発生時の影響範囲を追跡できます。
次に取る行動は一品番の画像と判定基準を50組そろえること
上面・側面画像、製品JSON、撮影条件、判定基準版を同じ検査IDで50組集めます。良品だけでなく、重大欠陥、軽微欠陥、境界、撮影不良、未知候補を含め、二人の品質担当者が独立に判定してください。取り違えなく確認画面へ表示でき、判断が割れた理由を限度見本へ結び付けられたら、モデル選定より先に入力契約とラベル工程が成立しています。
50組は、良品20、既知欠陥15、限度境界5、撮影不良5、既存分類へ入れにくい候補5という検証配分から始めます。これは発生率の推定用ではなく、処理分岐を漏れなく通すための想定比率です。各組にカメラID、ロット、金型、撮影時刻、限度見本ID、二人の判定、裁定結果を付けます。片面欠落、時刻ずれ、モデル応答なしも意図的に発生させ、良品信号ではなく排出または保留へ移ることを設備ログと現物で照合します。
参考文献・出典
- 画像認識AIによる外観検査の原著論文：Paul Bergmannほか「MVTec AD — A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection」（CVPR 2019、pp.9592-9600、参照日2026年7月30日）
- MVTec Software GmbH「MVTec AD: Industrial anomaly detection benchmark dataset」（データ内容・CC BY-NC-SA 4.0利用条件、参照日2026年7月30日）
- Mohamed Mokhtarほか「Detect, Classify, Act: Categorizing Industrial Anomalies with Multi-Modal Large Language Models」（CVPR Workshops 2025、参照日2026年7月30日）
- NIST「Artificial Intelligence Risk Management Framework (AI RMF 1.0)」（NIST AI 100-1、2023年1月26日、参照日2026年7月30日）
- 個人情報保護委員会「「個人情報の保護に関する法律についてのガイドライン」に関するQ&A」（カメラ画像に関するQ1-13・Q10-8を参照、参照日2026年7月30日）
- 文化庁「AIと著作権について」（「AIと著作権に関する考え方について」2024年3月15日を含む、参照日2026年7月30日）
