枚数より「ばらつきを代表しているか」
外観検査AIの学習データで重要なのは、枚数そのものより、量産で起こりうる良品のばらつきを含んでいるかどうかです。同じ日に同じロットから1,000枚集めても、別のロットの材料で色味が少し変われば、AIはそれを異常と判定するかもしれません。逆に、ロット・材料・季節・照明の変化を含む良品を数十〜数百枚集められれば、良品学習は十分に立ち上がります。
枚数の目安として公開データセットの数字はよく引用されます。代表的な外観検査ベンチマークMVTec ADは15カテゴリで、学習用の良品は計3,629枚、1カテゴリあたり平均200〜250枚程度です。テスト用は1,725枚で、欠陥は73種類、1カテゴリ平均約5種類です。この「良品200枚程度」は、条件の整った撮像環境で集めた画像での目安にすぎず、量産のばらつきを含んだ枚数ではありません。
研究では少数の良品で学習する設定も評価されています。VisAデータセットの少数ショット設定は、学習画像を5枚または10枚に絞り、5回の試行で平均を取ります。これは手法の比較のための設定で、量産の合否判定に5枚で足りるという意味ではありません。
3種類のデータを分けて集める
外観検査AIのデータは、役割の違う3種類に分けて考えます。
| 種類 | 役割 | 枚数の考え方 | 集め方の要点 |
|---|---|---|---|
| 学習用の良品 | 良品の分布を学ぶ | 数十〜数百枚。ばらつきの種類が多いほど増やす | 複数ロット・材料・日・時間帯に分散させる |
| 学習用の不良 | 欠陥の種類を学ぶ（不良学習の場合） | 欠陥クラスごとに十分な枚数 | まれな欠陥は集まらない前提で計画する |
| 評価用（良品＋不良） | 見逃し率・過検出率を測る | 不良は種類ごとに数十枚以上が望ましい | 学習に使わない。先に確保してから学習に回す |
最も不足しやすいのは評価用の不良です。良品学習なら学習に不良は要りませんが、閾値を決めて見逃し率を測るには、学習に使わない実際の不良が必要です。不良率の低いラインでは、PoCの期間中に十分な不良が集まらないことがあるため、過去に除けた不良品の保管分や、別ラインの同種の不良品を撮像して補います。
集め方の実務
良品データは、ロットを意識して集めます。1日に300枚集めるより、10ロットから30枚ずつ集めるほうが、量産で過検出が出にくくなります。材料の仕入先が複数ある、季節で外気温や湿度が変わる、設備や治具が複数あるといった場合は、それぞれの条件を含めてください。
不良データは、検査工程で除けた不良品を捨てずに保管し、撮像する仕組みを作ります。欠陥の種類、発生日、ロットを記録したラベルを付けて保管すると、後で撮像したときに正解ラベルとして使えます。不良が集まらない欠陥を人工的に作る（意図的に傷を付ける）方法もありますが、実際の欠陥と見た目が違うことがあるため、評価には実物の不良を使ってください。合成データの使い方は不良画像が足りないときの合成データで扱っています。
ラベル付けは、限度見本に照らして行い、判断が割れる画像は複数人で判定します。ラベルの揺れはそのままAIの精度の上限になります。ラベル付けのルールは製造業AIのアノテーションでも整理しています。
画像は「品質データ」として保存する
学習データは、画像ファイルだけを保存しても再利用しにくくなります。画像ごとに、品番、ロット、撮影日時、設備、撮像条件の版、ラベル（良品か、欠陥の種類）、ラベルを付けた人を記録してください。
これらの情報をMESなどの生産実績と同じキー（ロット・シリアル）で引けるようにしておくと、次のことができるようになります。過検出が特定のロットで増えたとき、そのロットの材料や設備の記録と突き合わせられます。再学習するときに、どの期間・どのロットの画像を使ったかを記録でき、品質監査で説明できます。別ラインに横展開するときに、似た条件の画像を探して転用できます。判定結果の記録方法は外観検査AIの判定結果をMESに戻すを参照してください。
よくある質問
良品が100枚しかありませんが始められますか？
始められます。ただし、その100枚が何ロット・何日分かを確認してください。少ないロットからの100枚なら、PoCの評価ではほかのロットの良品を必ず含め、過検出が増えないかを見ます。増える場合は、ロットを広げて良品を追加します。
画像の解像度を下げれば枚数を増やせますか？
枚数を増やす目的で解像度を下げると、小さな欠陥が潰れて見えなくなります。解像度は検出したい最小欠陥から決め、枚数とは切り離して考えてください。
品種が多い場合、品種ごとに200枚ずつ必要ですか？
外観が大きく違う品種はモデルを分けることが多く、その場合は品種ごとにデータが要ります。外観が似ている品種はまとめて学習できることもあります。まず生産量の多い品種から始め、似た品種へ広げる進め方が現実的です。
この記事に出てくる用語
AIは「データ基盤」で決まる
PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある 全130本
- MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
- 製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
- 製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
- データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
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。
