【スピンオフ】 製造現場の目視外観検査はAI外観検査へ～製造業出身のアノテーションマネージャーが語る「AI導入の課題と解決」～

スピンオフブログ企画
――DX時代のAIを支えるアノテーション。そのアナログな現場のリアル
製造現場の目視外観検査はAI外観検査へ
～製造業出身のアノテーションマネージャーが語る「AI導入の課題と解決」～

目次

1. 大きな転換点にある日本の製造業とDX
2. 人の目視検査に頼るしかなかった当時の苦労と思い（筆者の経験）
3. あの頃、今のようなAIがあれば…
4. AIによる外観検査のハードル
5. AIの現場導入に必要な3つの要素（現場理解×AI×データ）
6. モノづくり企業だからこそできる「製造現場に寄り添ったサービス」の提供
7. ヒューマンサイエンスのアノテーションサービスの特徴

これまで弊社ではアノテーションやAIに関する様々なブログを発信してきました。そこでは一般的な情報、知識やノウハウを中心にお伝えしてきました。

アノテーションはその内容を言葉にしてみれば一見簡単なように思えますが、「曖昧性」を多く含んだ「人で行うことが避けられない作業」のため、どうしても人と人の関わりが多くなります。そのため、ある意味泥臭く、巷に溢れるきれいな理屈では済まないことが多く起こり、品質や生産性を確保するためには、実はさまざまな経験とノウハウ、またそれを実行できる人材が必要になります。

弊社の現場では、具体的にどういった対応や対策をしているか。通常のブログとは異なり、弊社ならではの特徴や思い、こだわりも含め、リアルな現場の実態をお伝えしたいと思います。

1. 大きな転換期にある製造業とDX

日本の製造業から生み出す製品はジャパニーズ品質ともてはやされ、世界を席巻してから早くも30年以上が経ち、現在ではどの業界においても様々な課題を抱えています。人手不足、高齢化に伴う技術伝承、グローバル競争の激化、サプライチェーンの脆弱性、多様化する顧客ニーズ変化への対応、原材料の高騰、DXの遅れなど、課題を列挙・説明するだけでも一つのコラムが書けるほど多岐に渡っていますが、製造業のDXにおいては、AI技術の進歩によって解決へ向けた大きな可能性を示し、一歩ずつ着実に歩みを続けています。

特にAI画像処理技術の進歩による外観検査の自動化や工数削減は、昨今のAIブームの比較的早い段階から実現され、当初は大手の企業が中心だったものの、今では中小企業にも浸透し始め、その流れは加速しつつあります。

今回はこれまでの「人手に頼った外観検査の難しさ」、「AI外観検査の開発や導入における重点ポイント」を私の実体験も交え、ご説明したいと思います。

2. 人の目視検査に頼るしかなかった当時の苦労と思い（筆者の経験）

もう20年ほど前の話になりますが、私はかつて、Tier1自動車パーツメーカーの品質保証部門で、製造ラインの品質指導や改善を担当していました。私が引き継いだある製造ラインは当初からさまざまな問題や課題を抱えていたのですが、そこではある自動車メーカーの基幹車種の部品を製造しており、その製品に求められる品質は「メーカーへの納入不良目標年間：数ppm以下」*という他の製品とは一段異なるレベルを求められていました。

寸法・スペックのみならず、キズ・打痕などの外観不良についても、求められる品質レベルは例外ではなく、現場が中心となって不良の発生を抑えるべく改善を重ねたものの、やはり一定数の発生が避けられない状況でした。結論的には、より不良が発生しづらい製造工程にするには、設備の総入れ替えや工程・工法を一から見直す必要があり、当時はその予算が無いだけでなく、予算があっても他の工法では生産性が悪く採算に合わず、外観検査で「不良の流出」を抑えることに頼るしかありませんでした。

またその外観検査もその当時は検査員の目視やスキルに頼るしかなく、見逃しを抑えるべく「検査ポイントの明確・シンプル化」「照明など検査環境の整備」「集中が維持できる検査時間の設定」「検査員の時間ローテーション制」「定期的な検出力テストの実施」など、検査員が集中を切らさず検出力の維持ができるよう、ありとあらゆる手段を尽くした記憶があります。私がじっくり確認しても検出できないようなキズ・打痕を発見できるレベルの検査員でも、やはり見落としによる顧客からのクレームは年に数度発生していました。

ひとたびクレームが発生すると対策を実施しなければなりません。そのためには検査員へのヒアリングや調査を行い、現状を把握することになりますが、検査員はどうしても責任を感じてしまいます。また現状より検出力を上げるためにダブルチェックに留まらず「確認ポイントの分業」やトリプルチェック等を行った結果、当初1名だった検査員はピーク時には3～4名にも膨れ上がりました。発生源から不良を絶つ品質管理の基本中の基本から大きく逸れるだけでなく、検査コストや検査員の心理的負担も大きく膨らむ方向に進んでいったことを、ただただ成す術なく、このような状況に陥ってしまった不甲斐ない自分への当時の思いが、今でも鮮明によみがえってきます。
*ppm：「100万分の1」を表す単位。ごくわずかな濃度や割合を示す際に使われます。

3. あの頃今のようなAIがあれば・・・

当時は現場の総責任者も人手に頼っている外観検査に相当な問題意識を感じており、当時の画像処理やセンサー技術などを駆使して、人的負担や工数を減らすような設備の導入・検討を行うことになりました。

私は設備メーカー、検査機器メーカー、それらを扱う商社などに相談を持ち掛けましたが、どの相談先でも、当時の技術ではラインの設備、工程変更も含め「数億かけても、期待できるような効果が出せるかどうかは疑問」とのことで、成す術なく断念せざるを得ませんでした。結局は有効な手段もなく、人手に頼った目視検査を続けるしかないまま時間が過ぎていったことを覚えています。

その後、紆余曲折を経て、弊社でAIアノテーション事業の推進を担当するに至りましたが、事業を始めて間もないころ、「自動車パーツメーカーがAI画像認識技術を用い、キズ・打痕の外観検査自動化に成功！」との記事を発見し、その当時の記憶がよみがえり、胸が熱くなりました。それと同時に「あの頃今のようなAIがあれば…」、今では存在するかどうかもわからない、あの現場に行って「今のAI技術を伝えたい！」など、勝手な衝動や妄想にかられていましたが、最近ではAIを搭載した市販の検査設備やアプケーションも多く出回り、AI画像認識技術を用いた外観検査は、製造業においては一般的なものとして浸透しつつあります。

▼関連ブログ
製造業向け画像判定AIの活用事例と導入メリット

4. AI外観検査導入のハードル

AIによる外観検査などのメリットや具体的な事例については、これまでの弊社ブログ等を参考にいただければと思いますが、ただAIを導入すれば、外観検査の自動化や省人化、検査にまつわるさまざまな課題解決が図れるかというと、そんな簡単な話ではありません。AI技術が発達しても、さまざまなハードルが製造現場には存在します。私の過去の経験を冷静に遡ってみても、そう単純な話ではなく、具体的な課題も見えてきます。
次に一般的に言及されることの多い「AI外観検査導入におけるハードル」を一つ一つピックアップして説明していきます。

・NGサンプルデータ収集の難しさ
多くの製造ラインでは、NG不良品サンプルがそもそも少ない、または再現が難しい、という状況も多く存在します。ある研究では「まず大量の欠陥データ・ラベル付き画像を集める必要がある」が、製造業の大手、中小規模問わず「まずそれがハードル」と指摘されており、これまでアノテーションのご相談をいただくお客様でも、NG製品サンプルやNG画像データの収集に時間が掛かるのが課題となっていることが多くあります。

・アノテーション・ラベル付けの品質基準
AIの精度は「教師データ」とそれを作成する「アノテーション作業」の品質に大きく依存します。ほとんどの製造現場では、何をもってNGとするかの「基準」となる資料が存在し、それを元に検査を行っていると思いますが、それらをAI導入・設計担当者やアノテーション作業者に正しく引き継ぎ、伝えていくことが必要になります。
また基準があってもNG・OK判断に関わる「言語化できない何らかの暗黙知」が存在するとも思いますが、それらも明確にしながらアノテーション作業に引継ぎ・反映することが大切です。これらが適切に行われることに加え、アノテーション作業者間でのバラつきを抑えるプロセスを設計しないと、アノテーションの精度や品質にバラつきが生じ、結果的にAI精度もバラつきます。

・現場の諸条件の考慮と理解
製造ラインや製品特有の材質・光沢・形状・工程条件など、現場で発生する様々な諸条件や、運用における使いやすさなどを考慮に入れず、AI設計・導入すると、AIが狙ったように機能せず、想定外の「見えづらさ・反射・影の影響」などで誤検出・見逃しが発生します。これでは現場が求めていたものと異なり「使い物にならない」「所詮現場を知らない人が作ったもの」となり、これではAI導入の目的を果たせないばかりでなく、現場のDXや将来のAIの導入推進を阻み、現場から求心力も失うことになります。

・内製運用リソースの課題
ご相談をいただくお客様の多くは、当該製品に関連するハードウェアのエンジニアや製造間接部門のスタッフの方で、AI開発の専門知識をもったエンジニアでないことに加え、人手が足りないことも多く「自分たちでデータ収集・アノテーション・モデル構築・運用」を内製で進めようとした場合、次のような課題や問題でスムーズに開発が進まないこともしばしば見受けられます。
• AIに関する専門的知識が少なく、PoCは何とか自力で何とかやってみたものの、以後のフェーズが進まない。
• 多様なデータを取得する体制が整っていない、現場サイドの協力が薄い。
• アノテーションを社内の空き人材でやってみたものの、ラベル誤りや精度のバラつきが発生し品質が安定しない、また生産性も悪く、教師データを必要量確保できない。
• 運用後のモデル改善まで人手が回らず、フィードバックのループが回せず精度が劣化してしまう。

・コストと費用対効果（ROI）
初期導入コスト（カメラ、照明、画像処理装置、AI開発）だけでなく、現場ラインなどの変更・改修を伴う場合、コストはそれなりに膨れ上がります。そのため費用対効果やROIを明確にしないと、プロジェクトの承認が下りないばかりでなく、プロジェクトそのものが頓挫しがちです。
一方で目視検査のコストは他の製造スタッフと併せた人件費総額の中に埋もれがちで見えづらいため、放置されていることも多く、算出してみるとコストが相当膨らんでいることも多くあります。言われてみれば当たり前の話ですが、ある記事では「目視検査は初期費用もそれほど掛からず、簡単に立ち上げられるため、手をつけやすいが、長期的には非常にコストが高い」などの指摘があります。

上記のようなハードルを鑑みながら、私が経験した当時の製造ラインの記憶をたどってみると、AIカメラが製品・ワークについたキズ・打痕をきちんと撮ることができるように、製品を整列する搬送装置や位置決めを行う治具などが必要になります。またキズ・打痕が表裏両面に入ることが多いプレート状の製品であったため、表裏両面から同時にカメラで撮影するのか？それとも設備で製品を反転して表・裏2度撮影するのか？など、カメラ撮影のための付帯設備やライン改修が必要になります。さらに製品を反転させるとなると、その設備のサイクルタイムの遅さが製造ラインのボトルネックとならないか？など様々な検討が必要になります。

これら製品の位置決めだけでなく別の問題もあります。表面を研磨加工した光沢のある製品であったため、照明の明るさや反射具合がキズの見え方にも影響し、照明設備も考慮することが必要になります。更に発生するキズ・打痕の多様性を鑑みると、さまざまな条件を鑑みたNGサンプル・画像データの準備が必要になり、データ収集のためには現場の協力と理解も必須になります。
結果的に前段で述べた、ほとんどの「AI外観検査導入のハードル」に当てはまり、AI導入はそう単純でないことが容易に想像できます。

5. AI外観検査の現場導入に必要な3つの要素（現場理解×データx人材）

これらをまとめると、製造業でのAI外観検査導入の成功確度を上げるためには、単に検査作業をAI化するだけでは足りません。以下の3つの要素を掛け合わせることで、導入とその後の運用・保守が失敗する確率を下げることができます。

•現場への理解（AI外観検査の目的、制約、適用範囲の把握）：
AIの導入を成功させ、スムーズな現場導入を図るためには、以下のような目的・目標の設定や現場に対する理解や状況の把握が必要になります。
・省人・代替などAI外観検査の目的、目標精度の設定
・ AI外観検査の対象となる製品品種、検査項目などの適用範囲の設定
・製品や製造ラインの工程/工法、外観不良発生のメカニズムの理解
・検査工程の設備/照明などの状況や外観検査への影響などの把握
・現場ラインタクト、サイクルタイム*の考慮
・現場製造ラインの状況や実態の把握

*ラインタクト（タクトタイム）：1つの製品を造るのに許される時間
各作業工程が同期して作動する時間、加工された製品がそのラインから送り出されてくる時間間隔
*サイクルタイム：1つの製品の工程開始から完了までの1サイクルに対して実際にかかる時間

•データの確保（データ収集とデータ精度の確保）：
製造・検査現場の諸条件を鑑みたNG・OK画像データの取得、アノテーション作業精度確保に必要なNG判断基準などの検査基準、ノウハウの引継ぎやその文書化と整備が必要になります。

•人材・体制（AI開発・アノテーションの人材確保と、現場の協力体制、推進力と継続改善）：
AI導入推進や導入後の継続的な改善を図るためには「開発・導入～保守・運用までのAI専任人材配置」「NGサンプルの入手～高品質な教師データを安定的に生産する人材体制」「データや現場の意見収集」などが必要になりますが、これらは全て現場の理解と協力が必要になります。

この3つが揃うことで、初めてAI外観検査導入の成功確度が上昇します。例えば「現場の協力体制」の観点では「月に1回しか起きないようなキズ」の画像データ収集や「AIが誤検知しやすい傾向」等を掴めるようになり、今後のAI追加学習の方向性や適切な保守計画の策定も可能になります。反対に、どれか1つが欠けていると、せっかくAI外観検査を導入しても「現場では使い物にならない」ということが起こり、結果的にAIの開発・導入は失敗に終わります。

6. モノづくり企業だからこそできる「製造現場に寄り添ったサービス」の提供

これまで様々なことを述べてきましたが、弊社は製造業ではありません。ただ以前のブログでもお伝えした通り、弊社はマニュアルの制作から始まった会社でモノづくりのマインドが備わっています。その辺りは他のアノテーションベンダーとは一線を画するとも自負していますし、製造業出身の私から見ても、業界特有の技術は違えど、そのモノづくりのマインドや根本は大きく異なりません。またお客様のQCDを満足させるために行う活動の基本的な考え方も同じです。そして何より同じモノづくりの現場の苦しみや苦労を身をもって理解しています。

これまでさまざまな業界・業種のお客様からアノテーションやAIに関するご相談をいただく機会をいただきましたが、製造業のお客様からご相談をいただく際には、やはり親近感を覚えますし、どこか熱くなっている自分もいます。これまで私を育ててくれた製造業、特に自動業界での経験は私の仕事に対する姿勢や根幹の部分を形成してくれたことに間違いはありませんし、それが今の私の財産になっています。

かつては世界的に優位を誇っていた日本の製造業も、その勢いを無くしてしまった、と言われて久しいですが、誤解を恐れずに言えば、製造業、ひいてはそこで働く人達の優秀さやモノづくりに対する真摯な姿勢はまだまだ世界に負けない。製造現場のモノづくりを支える人達は、むしろまだまだ優位にあると信じています。
弊社は「アノテーション代行」というAIを支えるデータの力で製造業のお客様のDXならびに改善に貢献するだけではなく、AI開発・機械学習モデルづくりのサポートから、アノテーションの内製支援までサポートできる体制を整えています。単なるアノテーションだけではなく「製造、ひいてはモノづくりの現場」に寄り添って課題を解決できる企業であり続けたいと考えています。

7. ヒューマンサイエンスの教師データ作成、LLM RAGデータ構造化代行サービス

教師データ作成数4,800万件の豊富な実績

ヒューマンサイエンスでは自然言語処理に始まり、医療支援、自動車、IT、製造や建築など多岐にわたる業界のAIモデル開発プロジェクトに参画しています。これまでGAFAMをはじめとする多くの企業様との直接のお取引により、総数4,800万件以上の高品質な教師データをご提供してきました。数名規模のプロジェクトからアノテーター150名体制の長期大型案件まで、業種を問わず様々なアノテーションやデータラベリング、データの構造化に対応しています。

クラウドソーシングを利用しないリソース管理

ヒューマンサイエンスではクラウドソーシングは利用せず、当社が直接契約した作業担当者でプロジェクトを進行します。各メンバーの実務経験や、これまでの参加プロジェクトでの評価をしっかりと把握した上で、最大限のパフォーマンスを発揮できるチームを編成しています。

生成AI LLMデータ構造化や「AIに最適化するマニュアル作成・整備支援」にも対応

弊社は創業当初から主な事業・サービスとしてマニュアル制作を行い、現在では企業ナレッジ活用のための生成AI導入に向けて「AIが認識しやすいドキュメント」の制作支援も行っております。生成AI を用いた企業ナレッジやドキュメントの共有・活用において、RAG化等を行うにしても、現在の技術ではまだツール等で100%の精度を実現できないのが現状です。過去のドキュメント資産をどうしも活かしたい、といったお客様に対してはドキュメントデータの構造化にも対応します。さまざまなドキュメントを熟知している当社ならではのノウハウを活かした最適なソリューションを提供いたします。

自社内にセキュリティルームを完備

ヒューマンサイエンスでは、新宿オフィス内にISMSの基準をクリアしたセキュリティルームを完備しています。そのため、守秘性の高いデータを扱うプロジェクトであってもセキュリティを担保することが可能です。当社ではどのプロジェクトでも機密性の確保は非常に重要と捉えています。リモートのプロジェクトであっても、ハード面の対策のみならず、作業担当者にはセキュリティ教育を継続して実施するなど、当社の情報セキュリティ管理体制はお客様より高いご評価をいただいております。

内製支援

弊社ではお客様の作業や状況にマッチしたアノテーション経験人材やプロジェクトマネージャーの人材派遣にも対応しています。お客様常駐下でチームを編成することも可能です。またお客様の作業者やプロジェクトマネージャーの人材育成支援や、お客様の状況に応じたツールの選定、自動化や作業方法など、品質・生産性を向上させる最適なプロセスの構築など、アノテーションやデータラベリングに関するお客様のお困りごとを支援いたします。