カタログの精度では比べられない
外観検査AI製品のカタログには「高精度」「少量の学習データで立ち上げ」といった表現が並びますが、精度の数字は対象ワーク、欠陥、撮像条件、評価方法がそろっていなければ比べられません。製品の比較で本当に差が出るのは、撮像系をどこまで製品が持つか、導入後の再学習を誰が担うか、ラインのPLCや上位のMESとどうつなぐか、という運用の範囲です。
ここでの整理は公開情報にもとづく類型化で、個別製品の優劣を判定するものではありません。各社の顧客数・検査件数などの数字は、いずれも各社の自己申告です。
製品は4つの類型に分かれる
| 類型 | 中身 | 国内の例 | 海外の例 |
|---|---|---|---|
| A. AI搭載カメラ・画像センサ | カメラ・照明・推論を一体化した機器 | キーエンス IV4シリーズ、オムロン FHV7-AI、Rist AIMERA | Overview.ai（オンデバイス学習のエッジカメラ） |
| B. マシンビジョン基盤＋AI | 既存の画像処理システムにAI機能を追加 | キーエンス VS・VS-Gシリーズ、オムロン FH（AI機能） | Cognex OneVision、Zebra Aurora |
| C. 検査AIソフト・クラウド | 撮像は別途、学習・推論ソフトを提供 | アダコテック AdaInspector Cloud、MENOU、フツパー メキキバイト | Elementary（良品の自己学習を自社申告） |
| D. 撮像系込みの検査ソリューション | 撮像ハード、ロボット、AIを組み合わせて提供 | HACARUS Check Series、リンクウィズ L-QUALIFY | UnitX（撮像・AI・スマートカメラ）、中国の思谋科技 |
類型Aは型式判別や有無検査を安く早く立ち上げるのに向き、類型Dは立体形状や特殊な欠陥に向きます。類型Cは撮像系を自社かSIerが持つ前提です。中国では工業ビジョンAIの専業企業が大型化しており、思谋科技（SmartMore）は工業マルチモーダル大模型を基盤に顧客730超、検査回数170億回超を掲げています（同社の上場申請資料にもとづく36氪報道、2026年3月）。
米国では事業の重心が動く例もあります。LandingAIは公式サイトの主軸を文書抽出に移し、製造業向けのLandingLensはトップから消えています（2026年閲覧時点）。外観検査AIの製品選定では、ベンダーの事業継続性も比較軸に入れるべきです。
比較軸10項目
どの類型にも当てはめられる比較軸を10項目にまとめます。
| # | 比較軸 | 確認する内容 |
|---|---|---|
| 1 | 学習方式 | 良品学習・不良学習・併用のどれか。欠陥の種類分けができるか |
| 2 | 撮像系の範囲 | カメラ・照明・治具を製品が持つか、別途調達か。撮像検証を誰が行うか |
| 3 | 必要な学習データ | 立ち上げに必要な良品・不良の枚数と、評価用データの扱い |
| 4 | 推論の場所と速度 | エッジかクラウドか。タクトに間に合う推論時間か |
| 5 | 再学習の担い手 | 現場の担当者が再学習できるか、ベンダーへの都度発注か |
| 6 | 品種切替への対応 | 品種ごとにモデルを持つか、切替時の操作と時間 |
| 7 | 判定根拠の表示 | 異常箇所のヒートマップ、欠陥種類、信頼度を出せるか |
| 8 | PLC・MES連携 | 判定結果の出力形式、ロット・シリアルへの紐付け、画像の保存 |
| 9 | モデルとデータの持ち方 | 学習データとモデルを自社に残せるか、オフラインで動くか |
| 10 | 費用体系と事業継続性 | カメラ台数・ライン数課金か、保守範囲、ベンダーの事業の安定性 |
差が出やすい3つの軸
撮像系の範囲（軸2）
外観検査AIの精度の大部分は撮像系で決まります。製品が撮像系を持たない場合、撮像検証から照明選定、治具設計までを自社かSIerが担当します。提案を比べるときは、撮像の責任を誰が負うのか、撮像検証で検査が成立しなかった場合にどうなるのかを確認してください。撮像の考え方は外観検査AIの撮像・照明設計で解説しています。
再学習の担い手（軸5・6）
量産では、材料ロットの変化、品種の追加、治具の交換のたびに良品の見た目が変わり、再学習が必要になります。現場の担当者が画面操作で再学習できる製品と、ベンダーへの都度発注になる製品では、3年間の運用費と対応の速さが大きく違います。品種切替が多いラインでは、この軸が最も重要になります。
PLC・MES連携とデータの持ち方（軸8・9）
判定結果をPLCに返して排出するだけの製品と、判定結果・画像・モデルの版をロット・シリアルに紐付けて上位システムに渡せる製品があります。後者でないと、不良の傾向分析や再学習用データの収集、品質監査への対応が難しくなります。また、学習データとモデルを自社に残せるかは、ベンダーを替える場合の資産になるかどうかを決めます。
ベンダーに確認する質問
提案を比べるときは、10項目を質問の形にして、全社に同じ形式で回答してもらいます。特に次の質問は、回答の具体性で差が出ます。
- 当社の評価用画像で、閾値を決めたうえでの見逃し率と過検出率を出してもらえるか
- 品種を1つ追加するとき、誰が何時間で再学習でき、費用はいくらか
- 判定結果と画像を、どの形式でどのシステムに出力できるか
- 学習データとモデルの権利はどちらに帰属し、契約終了後も使えるか
- ネットワークが切断した場合、ラインは止まらずに検査を続けられるか
質問の全体はAIベンダーへの質問リスト60問、選定の進め方は製造業AIベンダーの選び方にまとめています。
よくある質問
国内製品と海外製品で違いはありますか？
国内では、画像センサ・マシンビジョンの大手がAI機能を自社製品に組み込む形と、撮像込みで個別案件に対応するスタートアップの形が目立ちます。米国では撮像からAIまで一体で提供するスタートアップが多く、中国では工業ビジョンAIの専業企業が大型化しています。日本語での保守体制は、海外製品を選ぶ際の重要な確認点です。
1社に絞る前にPoCを複数社で並行してもよいですか？
可能ですが、撮像系の準備が各社で必要になると費用と現場の負担が増えます。まず同じ評価用画像で机上評価を行い、2社程度に絞ってから実機のPoCを行う進め方が現実的です。
AIソフトだけを買って撮像は自社で担当できますか？
生産技術部門に照明・カメラの経験がある場合は可能です。経験がない場合は、撮像検証だけをマシンビジョンのSIerに依頼する方法もあります。量産後の照明交換や位置ずれ対応まで含めて、誰が維持するかを決めてください。
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
- 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
- 食品工場のAI活用：キユーピーの原料検査から需要予測・省人化まで5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。
