AI外観検査に必要な学習データとは？収集・整備・運用のコツ

基 成 礎 功 必 AI か の ら カ 要外 ポ ギ イ 収 は ン 集 ﹁ な ト ・ 学 観 ま 整 習 で 備 デ デ 解 ・ ー 検 説 運 タ ⽤ ﹂ ー の 査 コ ツ タ に 5分で 成 学べる 果 で を 安 ⽣ 定 AI外観検査の精度は み し 「学習データの質」 出 た す で決まる AI AI

SOLUTION

AI外観検査の成功は「学習データ」で決まる AI外観検査を導入したが、「想定していたほど精度が出ない」 「NG品を見逃す」といった声を耳にすることがあります。 その原因の多くは、 学習データの質と量 に課題があることに起因しています。 本資料では、AI外観検査に必要な学習データの 収集・整備・運用のコツをカンタンに解説します！ AI外観検査における「学習データ」とは？ ●画像がAIの教科書になる AI外観検査において、学習データとは、正常品・不良品の画像 データです。このデータをAIに与えることで、外観上の異常や識別 する判断基準を学ばせることができます。 ●教師あり学習と教師なし学習 ・教師あり学習 　正常/異常をラベル付け。高精度だがデータ整備が手間 ・教師なし学習 　正常データのみで異常を検知。ラベル不要だが、誤検出のリスク有。 NEXT

学習データ収集のコツ データは「量よりバランス」 AIデータに必要なのは「大量のデータ」ではなく、 「現場のばらつきをカバーする多様なデータ」です。 ・正常品のバリエーション(照明、角度、ロット違い) ・異常品の種類ごとの画像(キズ、異物、寸法ずれなど) データを集めるときは、必ず実際に使う現場のカメラや照明で 撮影することがポイントです。 開発時と現場で撮影条件が違うとAIの精度が下がる可能性があります。 不良品データの確保が最難関 実際の量産現場では、不良品の発生頻度が低く、 「学習に使える異常画像が少ない」という課題 があります。 そのため、シミュレーション画像や過去の検査ログの活用も視野にいれ ることがポイントです。 もし、不良品が集まらない場合は、過去の検査記録から画像 を探したり、意図的に不良品を作って写真を撮る方法もあり ます。これによりAIに必要な異常データを増やせます。 NEXT

学習データ整備のポイント・注意点 アノテーション(ラベル付け)は正確に AI性能に直結するのが「正しいラベル付け」。ポイントは以下です。 ・作業者によるバラツキを防ぐためにルール化する ・異常箇所の範囲を明示（矩形、マスクなど） ・自動アノテーションツールの活用も検討 ノイズや不要な要素は排除する 学習データには照明の映り込みや背景ノイズなどの不要な情報が含 まれることがあり、AIモデルの誤学習につながります。そのため、 画像を事前にクリーニングし、明るさ調整や環境の見直しによる再 撮影で余計な情報を取り除くことが重要です。 学習は一度きりでは終わらない 現場環境の変化や製品仕様の微調整により、AIモデルの精度は低下する ことがあります。そのため、運用フェーズでの“継続学習”が必要です。 データモデルは「分けて管理」 AIの精度を高めるためには、学習データとモデルのバージョン管理 が重要。製造業でも、データ基盤やMLOpsの考え方が広がってい ます。Google Vertex AIなどの専用サービスを利用すると、再学 習やバージョン管理を効率的に行えます。 NEXT

実務でつまずくポイントとまとめ つまずきがちなポイント ・不良データが集まらずPoCが進まない ・アノテーションの品質がバラバラ ・「正常データだけ」では精度が安定しない ・本番環境では照明やカメラの条件が異なる AI開発には技術だけでなく現場との調整が重要。 本番環境の確認をするなど 開発チームと現場担当者の密な連携が成功のカギ。 AI外観検査の精度は 「学習データの質」で決まる AI外観検査の成功には、精度の高いモデル開発だけでなく、 土台となるデータの質と運用体制が重要です。 学習データは多様性とラベル制度がカギ 不良品データの確保には工夫が必要 アノテーションや画像にノイズの処理も必要 運用後の再学習とデータ管理制度が求められる データ収集と整備はAI精度を左右する重要な工程であり、現場の協力と 適切なデータ管理の仕組みが、品質向上やコスト削減に繋がります。 地道なデータ作りが、AI外観検査の成功のカギです