VLMと従来モデルの3つの違い
VLM（Vision-Language Model）は、画像と文章をあわせて扱える生成AIです。画像を見せて「この部品に傷はありますか」と聞けば、文章で答えます。従来の外観検査AIで主流の異常検知モデル（PatchCore、PaDiM、EfficientADなど）は、良品の画像を学習し、良品から外れた度合いを数値で出します。両者の違いは次の3点に整理できます。
| 観点 | VLM | 従来の異常検知モデル |
|---|---|---|
| 必要なデータ | 良品画像が0〜数枚でも動く（ゼロショット・少数ショット） | 良品を数十〜数百枚。ばらつきを代表する画像が必要 |
| 説明性 | 「左上に5mm程度の擦り傷」のように文章で説明できる | 異常度の数値とヒートマップ。理由は文章にならない |
| 速度と安定性 | 1枚の処理に時間がかかり、同じ画像でも答えが揺れることがある | 1枚数ミリ秒〜数十ミリ秒。同じ入力には同じ出力 |
外観検査の現場の要件は、多くの場合「タクトタイム内に、毎回同じ基準で、見逃しなく判定する」ことです。この要件に対しては、3つ目の速度と安定性の差が決定的になります。
公開ベンチマークで見る精度と速度
研究で使われる公開データセットの数字で、両者の差を見ます。いずれも条件が整ったデータセットでの値で、実際のラインの精度とは違う点に注意してください。
WinCLIPは、画像と言語を対応づけるCLIPというモデルを使った異常検知の手法で、良品画像を1枚も使わずに判定できます。MVTec AD（産業用の異常検知で標準的なデータセット）で分類91.8%、セグメンテーション（不良箇所の特定）85.1%、より難しいVisAでは78.1%・79.6%でした。良品を1枚だけ使うWinCLIP+では、MVTec ADで93.1%・95.2%に上がります。
これに対し、良品画像を学習するPatchCoreはMVTec ADで画像AUROC最大99.6%を出しています。ただしPatchCoreでもAUROC 99%台で誤判定はゼロにならず、論理的な異常（部品の欠落や配置違い）を含むデータセットでは性能が下がります（EfficientAD論文の3データセット平均で91.1）。
速度では、EfficientAD-Sが1枚2.2ミリ秒（614枚/秒）、PatchCoreが32ミリ秒（76枚/秒）と報告されています（RTX A6000上の実測）。汎用の大型VLMは、1枚の画像を処理して文章を返すまでに、これより桁違いに長い時間がかかるのが一般的です。
AUROCは閾値に依存しない指標で、実運用での見逃し率や過検出率とは別物です。数字の読み方は外観検査AIの精度の読み方、ゼロショット手法の詳細はゼロショット異常検知（WinCLIP）で扱っています。
VLMが効く使い方：インライン判定の外側
以上から、VLMをライン上の合否判定（インライン判定）に使うのは、現時点では適しません。一方、検査の周辺業務では、データが少なくても動き、文章で説明できるVLMの強みが活きます。
- 教師データ作成の支援：立ち上げ期に大量の画像から不良らしいものを抽出し、「傷」「汚れ」「欠け」などのラベル案を付ける。人が確認して確定させれば、ラベル付けの工数を減らせます。
- NG品の一次分類：従来モデルがNGと判定した画像について、不良の種類を分類し、文章で説明する。再検査の担当者が見る順番を決めたり、不良の傾向を集計したりするのに使えます。
- 不良報告の下書き：不良画像と検査記録から、品質部門向けの報告文の下書きを作る。
- 多品種少量のスクリーニング：品種が多く、品種ごとに学習データを集められない工程で、人の目視の前段として「明らかな異常」を拾う。この場合も最終判定は人が行います。
どの使い方でも、判定結果と不良分類は、ロット・品番・工程と結びつけてMESの検査実績に残すことが重要です。VLMで分類した不良の傾向が、工程条件と結びついて初めて品質改善に使えます。
よくある質問
汎用の対話AIに検査画像を送ってもよいですか？
製品画像は機密情報に当たることが多いため、社内の利用ルールで送信先が認められているかを確認してください。外部クラウドに送れない場合は、オンプレミスで動く小型のVLMや、CLIP系の手法を自社環境で動かす選択肢があります。
VLMを追加学習すれば、インライン判定に使えるようになりますか？
特定の用途に追加学習すると精度は上がります。図面の情報抽出の研究では、注釈付き図面400枚で小型VLMを追加学習し、汎用の大型モデルより大幅に良い結果を得た例があります。ただし処理速度と判定の安定性の課題は残るため、インライン判定に使うかは、タクトタイムと見逃しの許容度で個別に判断する必要があります。
従来モデルとVLMを組み合わせる方法はありますか？
従来モデルで高速に合否を判定し、NGになった画像だけをVLMに渡して不良の種類と説明を付ける構成が現実的です。VLMに渡す枚数がNG品だけに絞られるため、処理時間と費用も抑えられます。
- WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation（arXiv 2303.14814, 2023年3月26日）
- Towards Total Recall in Industrial Anomaly Detection（Roth et al., arXiv 2106.08265）
- EfficientAD（Batzner et al., arXiv 2303.14535）
- Fine-Tuning Vision-Language Model for Automated Engineering Drawing Information Extraction（Khan et al., arXiv 2411.03707, 2024年11月6日）
この記事に出てくる用語
製造業の生成AI、どこまで任せられるか
文書検索、手順書の生成、品質報告のドラフト。人が承認する範囲と任せてよい範囲の線引き 全91本
- 製造業の生成AI活用の全体像：業務別12ユースケースと導入の順番
- 製造業の社内文書RAG入門：手順書・図面・品質記録を検索する5層構成
- Siemens Industrial Copilotの全体像：5系統の提供状況と狙い
- 生成AIの情報漏えい対策：製造業が決めるべき入力禁止情報とログ管理の7項目
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
