はんだ不良を見逃せば、最終組立後に手直しが必要になり、修正にかかる時間とコストが増えます。溶接不良は再加工につながり、タービンや配管、建物表面の腐食は次の点検までに進行することがあります。欠陥検出AIを使う目的は、こうした異常を、補修、不良品の除外、追加調査へつなげられる段階で見つけることです。
建物の引渡し時に行う内部点検では、確認対象が複数の部屋、平面図、写真記録にまたがります。不具合を検出した後も、正しい部屋や位置に紐づけ、是正後に対応が完了したかまで確認しなければなりません。H3 Zoomの事例では、従来延べ120時間以上かかっていた引渡し確認を、平面図へのマッピングと構造化した指摘記録によって約2時間で完了しています。
欠陥検出AIの出力は、用途によって異なります。製品全体をOK・NGで判定する方法、不具合の位置を示す方法、損傷範囲を輪郭まで抽出する方法、正常な状態との差を異常として示す方法があります。必要な出力が細かくなるほど、学習時に付ける正解データも詳細になり、検証する項目も増えます。
本記事では、欠陥検出AIの主な手法、それぞれに必要な学習データ、見逃しと誤検出の評価方法、実際の使用環境で確認すべき点を整理します。検出後の技術確認、報告、修繕まで含めた流れについては、AIを活用した点検ワークフローで説明しています。
クイックサマリー
- 多様なAI手法
欠陥検出には主に「分類」「物体検出」「セグメンテーション」「異常検知」の4つの手法があり、単純な合否判定の分類から、損傷の正確な範囲の測定にいたるまで、それぞれの特定のニーズに合わせて最適化されています。 - データ品質の要件
AIモデルの精度は、通常の表面変化を欠陥と誤認（誤検知）するのを防ぐために、多様な照明、撮影角度、表面の状態など、実際の現場におけるバリエーション（多様性）を取り入れた高品質なトレーニングデータに大きく依存します。 - 性能の検証
実運用開始後は、照り返し（グレア）、ブレ、環境の変化といった現場特有の要因が性能に大きな影響を与える可能性があります。そのため、モデルは標準的な指標（再現率や適合率など）だけでなく、実際の現場環境下でも厳格にテストされる必要があります。 - 人間の監視（オーバーサイト）の不可欠性
検査プロセス全体を通じて、特に高リスクなケースや判断が難しいケースでは、検出された結果を検証するために人間のレビューが不可欠であり、修繕や詳細調査に向けた正確な意思決定を担保します。
欠陥検出AIで得られる主な出力
欠陥検出AIの結果は、用途によって異なります。製品や画像全体をOK・NGで判定するもの、不具合の位置を示すもの、損傷している領域を細かく抽出するものがあります。異常検知では、正常な状態との違いを異常度スコアやヒートマップで示します。
判定ラベルだけなら、画像や対象ごとに正解を付ければ学習できます。位置まで検出する場合は不具合ごとの場所を指定し、損傷領域まで抽出する場合は輪郭をより細かく付ける必要があります。
検証する内容も変わります。判定が正しいかだけでなく、位置が合っているか、損傷範囲を正しく捉えているかまで確認するため、出力が細かくなるほどアノテーションと検証に必要な作業も増えます。
ただし、最も細かい出力が常に必要なわけではありません。製造ラインで不良品を除外するだけなら、OK・NG判定で足ります。補修する場所を指定するなら位置情報が必要です。ひび割れの伸長や腐食範囲の変化を測る場合は、損傷領域まで抽出する必要があります。
異常検知はこれらとは少し考え方が異なります。不具合の種類ごとに十分な学習画像を用意するのではなく、主に正常な製品や損傷のない表面を学習し、そこから外れる箇所を異常として検出します。まだ十分な事例が集まっていない不具合も拾える一方、照明、表面状態、撮影角度などの違いも異常として検出されるため、結果には確認が必要です。
欠陥検出AIで使われる4つの主な手法
AI外観検査 で使われる代表的な手法は、画像分類、物体検出、セグメンテーション、異常検知の4つです。それぞれ解析する単位や判定方法が異なり、得られる結果も変わります。画像分類は画像全体を判定し、物体検出は画像内の不具合を一つずつ検出します。セグメンテーションは損傷領域をピクセル単位で抽出し、異常検知は正常な状態との違いを検出します。
画像分類
画像分類は、1枚の画像全体を一つの単位として判定します。製品画像であれば、OK・NGや「傷あり」「部品欠落」など、一つのラベルを付ける方法です。
注意が必要なのは、AIが不具合そのものではなく、撮影条件の違いを判定材料にしてしまう場合があることです。たとえば、良品と不良品を異なる背景で撮影していると、背景の違いを学習して判定することがあります。
また、同じ画像に複数の不具合が写っていても、画像分類では一つずつ分けて記録できません。製品全体の合否判定には使えますが、それぞれの不具合の位置を特定する用途には向きません。
物体検出
物体検出は、画像内の不具合を個別に検出し、それぞれに種類と位置を付けます。1枚の画像に複数の傷やひび割れがあっても、別々の検出結果として扱えます。
ただし、不具合が小さい場合や近接している場合は判別が難しくなります。解像度が不足すると、隣り合った不具合が一つの検出結果としてまとめられたり、小さな不具合を検出できなかったりします。
セグメンテーション
セグメンテーションは、画像をピクセル単位で判定し、損傷している領域を輪郭に沿って抽出します。
たとえば、細長いひび割れと広がった塗膜剥離では、同じ程度の面積でも損傷の形状は異なります。損傷領域を細かく抽出することで、ひび割れの長さ、腐食範囲、塗膜剥離の面積などを測定できます。
異常検知
異常検知は、不具合の種類ごとに学習するのではなく、良品や損傷のない表面など、正常な状態の特徴を学習します。そのうえで、色、質感、形状、位置などが正常な例と異なる箇所を検出します。
ただし、正常な状態との違いが、そのまま不具合を意味するわけではありません。照明、表面仕上げ、撮影角度の変化も異常として検出されることがあります。検出された箇所が損傷なのか、問題のないばらつきなのか、撮影条件によるものなのかは、点検担当者が確認します。
学習方法で検出結果はどう変わるか
欠陥検出AIが何を検出できるかは、学習に使うデータによって変わります。既知の不具合にラベルを付けて学習させる方法では、不具合の種類や位置を判定できます。一方、正常な製品や損傷のない表面を中心に学習する異常検知では、不具合の種類を特定できなくても、正常な状態と異なる箇所を検出できます。
既存の画像モデルから学習を始める転移学習も使われます。モデルを一から学習するより期間を短縮できますが、最終的には実際に検査する製品や表面の画像を使った追加学習が必要です。
このとき、実際の検査で使うカメラ、照明、撮影距離、角度に近い条件の画像を含めます。元のモデルが似た対象を学習していても、撮影条件が大きく変われば、実際の現場で同じ精度が出るとは限りません。
教師あり学習と異常検知を組み合わせる方法もあります。既知のひび割れや腐食は教師ありモデルで検出し、それ以外の正常とは異なる箇所を異常検知で拾います。
対象範囲を広げられる一方、点検担当者が確認する候補も増えます。既知の不具合だけを確実に検出するのか、まだ分類されていない異常まで対象にするのかは、未知の不具合を見逃した場合の安全、品質、修繕への影響まで含めて決めます。
欠陥検出モデルにはどのような学習データが必要か
欠陥検出モデルの精度は、学習に使う画像や動画が実際の点検条件をどこまで反映しているかで変わります。学習データは、モデルを実際に使う対象や撮影条件に合わせて用意します。
たとえば外壁点検で、ドローン撮影したコンクリート面を解析する場合は、異なる角度、距離、明るさ、表面状態で撮影した画像を学習データに含めます。損傷がない壁面と、実際の不具合が写った画像の両方が必要です。
損傷がない画像にも幅を持たせます。汚れ、目地、影、過去の補修跡、表面の凹凸など、不具合ではない見た目の変化を含めます。こうした画像が不足すると、正常な表面まで損傷として検出する原因になります。
不具合の画像にも、見え方の違いを含める必要があります。ひび割れであれば、細いもの、幅のあるもの、直線状のもの、枝分かれしたもの、汚れで一部が隠れているもの、特定の角度から見えやすいものなどを含めます。
画像は、用途ごとに3つに分けて管理します。
- 学習データ： モデルの学習に使う
- 検証データ： 学習中のモデル調整や比較に使う
- テストデータ： 最後まで分けておき、未使用の画像に対する性能を確認する
欠陥検出AIの精度をどう評価するか
欠陥検出AIの精度は、点検担当者や技術者が確認した結果とAIの検出結果を照合して評価します。重要なのは、全体の正解率だけを見ることではありません。実際の不具合をどれだけ検出できたか、何を見逃したか、正常な箇所をどれだけ誤って検出したかを分けて確認します。
これらの結果は、すべての不具合をまとめた数値だけでなく、不具合の種類ごとに確認します。全体では高い精度が出ていても、微細なひび割れ、初期段階の腐食、発生件数の少ない不具合だけ検出率が低いことがあります。
不具合の位置や損傷領域まで検出するモデルでは、種類の判定だけでは評価できません。検出した位置が実際の不具合と一致しているか、検出領域が実際の損傷範囲を正しく捉えているかも確認します。
実際の点検で欠陥検出モデルの精度が落ちる理由
テストでは高い精度が出ていても、実際の点検で取得する画像が学習・テスト時の条件と異なれば、検出性能は低下します。主な原因は、撮影条件の変化、不具合の見え方、点検対象そのものの変化です。
- 撮影条件が変わる
使用するカメラが変わる、画像圧縮が強くなる、撮影距離が遠くなる、ドローンの移動速度が上がるといった変化によって、テスト時には写っていた細かな特徴が失われることがあります。 - 画像だけでは不具合が十分に見えない
ヘアクラックや初期段階の腐食、汚れや塗装で隠れた損傷、目地や周辺部材と重なった不具合では、検出に必要な特徴が画像に十分写らないことがあります。この場合、モデル側だけでは正しく判定できません。 - 導入後に点検対象の状態が変わる
新しい塗装やコーティング、補修済みの箇所、経年劣化、季節による表面状態の変化によって、後から取得する画像が導入時の学習・テストデータとは異なる見え方になります。
欠陥検出AIで人による確認が必要な場面
欠陥検出AIは、モデルの検証時だけでなく、導入初期や実際の点検でも人による確認が必要です。どこまで確認するかは、運用段階と、見逃した場合の影響によって変わります。
- モデルを検証するとき
点検担当者や技術者が、確認済みの不具合とAIの検出結果を照合します。正しく検出した箇所だけでなく、見逃した箇所や誤検出も確認します。 - 導入初期
実際の現場と撮影条件で得られた最初の検出結果を点検担当者が確認します。テスト環境だけでは分からなかった条件で、モデルが想定どおりに機能するかを確かめます。 - 判定がはっきりしないとき
AIの検出結果だけでは判断できない場合は、人が不具合の種類、位置、影響している範囲を確認します。 - 見逃した場合の影響が大きいとき
重要な指摘事項については、AIの結果だけで対応を決めません。点検担当者や技術者が確認し、補修、追加試験、さらに詳しい調査が必要かを判断します。 - 修繕後の完了確認
修繕した箇所を元の指摘事項と照合し、対応が適切に完了したことを確認してから記録を完了します。
導入初期は、AIが検出した指摘事項を一件ずつ確認します。実際の使用条件で性能が安定していることを確認した後は、不確実な判定や影響の大きい指摘事項を重点的に確認し、通常の検出結果は一部を抽出して継続的に確認します。これによって、運用中に検出性能が変化していないかを確認できます。
まとめ
欠陥検出AIの手法は、点検で必要な出力に合わせて選びます。画像分類はOK・NGなどの判定、物体検出は不具合の位置特定、セグメンテーションは損傷範囲の抽出、異常検知は正常な状態とは異なる箇所の検出に使います。
ただし、手法を選ぶだけでは十分ではありません。モデルが出せる結果は学習データに左右され、実際の点検条件で性能を確認しなければ、現場でどこまで使えるかは判断できません。影響の大きい指摘事項や判定がはっきりしない箇所は、報告、修繕、完了確認へ進める前に点検担当者や技術者が確認します。
検出後は、確認済みの指摘事項をその後の業務へつなげる必要があります。H3 Zoomは、指摘事項を建物や部材の位置、根拠画像、確認状況、報告書、修繕記録と紐づけて管理する検査インテリジェンスプラットフォームです。点検システム連携 によって、検出から修繕まで同じ指摘記録を追跡できる状態を保ちます
