繊維・不織布で最初に効くのは連続シートの欠点検査
繊維・不織布の工場では、幅数メートルのシートが毎分数十メートル以上の速さで流れます。汚れ、穴、繊維の塊、目付（単位面積あたりの重さ）のムラといった欠点を、検査員がライン横で目視で探す作業は、集中力が続かず見落としが出やすい工程です。AIの効果が最も分かりやすく出るのはここです。
国内では、不織布メーカーの金井重要工業が、フツパーのAI外観検査「メキキバイト」で不織布の検査を自動化し、見落としを95%削減したとフツパーが導入事例で紹介しています。比較の基準（どの欠点種類、どの期間の目視検査との比較か）は公開ページからは確認できないため、ベンダー発表の数字として扱うのが妥当です。
中国では、中国电信が中国工業互聯網研究院と発表した「星辰纺织智能体」（織機向けのエージェント）を使った複数企業で、長尺欠陥の検出率99%超、納期遵守率99%、生産性20%向上が報告されています（上海証券報、2025年7月）。こちらも提供側の発表です。
欠点検査を入れるときの設計ポイント
連続シートの検査は、部品の外観検査とは条件が違います。
| 論点 | 部品の外観検査 | 連続シートの欠点検査 |
|---|---|---|
| 撮像 | 1個ずつ静止または位置決め | ラインスキャンカメラで流れながら撮る |
| 欠点の位置 | 部品単位で良否 | ロール内の位置（長さ方向・幅方向）で記録 |
| 判定後の処置 | 不良品を排出 | マーキング、ロールの格付け、後工程で切除 |
| 良品のばらつき | 比較的小さい | 地合い（繊維の分布）のムラが常にある |
最後の行が要点です。不織布は「均一でないこと」が普通の状態なので、良品学習型のAIでは地合いのムラを異常と判定しやすくなります。どの程度のムラまでを良品とするか、限度見本で決めてから学習データを集めます。照明の方式（透過光か反射光か）で見える欠点が変わるため、撮像・照明設計の検証を先に行います。
欠点データをロール単位で残す
欠点検査の結果は「ロット番号＋ロール内の位置」で記録するのが基本です。これがあると、次のことができるようになります。
- 顧客出荷時に、ロールごとの欠点マップを品質証明として添付する
- 後工程（スリット・裁断）で欠点部分を避けて切る
- 欠点の発生位置と設備の時系列データを突き合わせ、原因設備を絞り込む
欠点の記録を顧客との品質の取り決めに使う場合は、欠点の種類と大きさの定義を顧客と合わせておく必要があります。AIの判定基準と顧客の受入基準がずれていると、検査を自動化しても出荷後のクレームは減りません。
3つ目の要因分析は、欠点の検出時刻とシートの位置から、上流の設備を通過した時刻を逆算する必要があります。ライン速度と各設備間の距離から時刻を補正する処理を入れないと、相関を見ても原因に届きません。この時刻合わせの考え方は工場データの時刻ずれ対策で扱っています。
染色の色合わせと条件最適化
染色加工では、目標の色に合わせるための配合（染料の種類と量）と、温度・時間・浴比の条件出しに、熟練者の経験と試し染めの回数がかかります。過去の配合と測色値（色を数値化したもの）が残っていれば、目標色から配合候補を予測するモデルや、少ない試し染めで条件を絞るベイズ最適化が使えます。考え方はベイズ最適化で条件出しと同じで、生地の種類やロットの違いを入力に含めることが条件です。
ただし、染色業は中小企業が多く、配合や条件が紙や個人のノートに残っている工場も少なくありません。京都の捺染業、大本染工（32人）は、AIの前に受発注と生産管理をデジタル化し、繁忙月の残業を半分以下にしました（中小機構 省力化ナビ）。従業員がアプリを内製できるようになった点も報告されています。配合や試し染めの記録をデータとして残すこと自体が、後にAIを使う前提になります。
よくある質問
織物と不織布で検査AIの難しさは違いますか
織物は織り柄が規則的なため、柄の乱れとして欠点を捉えやすい面があります。不織布は地合いのムラが常にあるため、許容範囲の決め方が難しくなります。どちらも撮像方式の検証が最初の作業です。
既存の欠点検査装置があります。AIに置き換える意味はありますか
従来のしきい値型の検査装置は、明暗のはっきりした欠点には強い一方、薄い汚れや形の不定な欠点で過検出や見逃しが出がちです。既存装置で取りこぼしている欠点の種類を特定してから、AIで補う範囲を決めます。
中国の繊維向けエージェントは日本でも使えますか
発表されているのは中国の通信事業者が提供する基盤と国内企業での成果で、日本での提供は確認できていません。データを海外のクラウドで扱う場合は、取引先との契約や情報管理の確認が必要です。
この記事に出てくる用語
外観検査AIの選び方
良品学習か不良学習か、撮像系を誰が持つか。精度の数字だけで選ばないための比較軸 全51本
- 外観検査AIとは？2つの学習方式と導入5ステップを製造現場の目線で解説
- 製造業のAI活用10領域：外観検査・予知保全から設計・技能伝承まで一覧
- 外観検査AI製品の比較軸10項目：学習方式・撮像系の範囲・エッジ対応・再学習の手間
- 自動車メーカーのAI活用：溶接・塗装検査から生産計画・フィジカルAIまで10用途
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。
