AI画像解析で目視検査工数を70%削減 — 製造業A社

背景・課題

A社の検査ラインでは、製品出荷前の表面欠陥を熟練担当者の目視で確認していました。 熟練度合いによって判定がぶれること、繁忙期には残業が積み上がること、 そして検査結果のフィードバックが翌日以降になることが、現場の主要課題でした。

検査基準書は存在していましたが、欠陥パターンの解釈に個人差があり、 監督者からは「客観的に判断できる仕組みが欲しい」との声が継続的に挙がっていました。

取り組み内容

Step 1. 検査基準の AI 化に向けた整理

PoC に着手する前段で、検査基準書の解像度を上げる作業から始めました。 熟練検査員にインタビューを行い、暗黙知になっていた「迷う基準」を可視化。 ラベル定義書として整備しました。

Step 2. データセットの構築と PoC

過去半年分の検査画像 12,000 枚に、整備したラベル定義を適用してアノテーション。 既存ラインに USB カメラを増設し、PoC 用のミニ推論環境を構築しました。

# PoC スコープ(抜粋)
poc = {
    "目的": "推論精度が業務 KPI 0.6% を上回ることを確認",
    "対象": "外観欠陥 3 カテゴリ",
    "期間": "6 週間",
    "成果物": ["精度レポート", "誤検知ハンドリング設計", "投資判断資料"],
}

PoC 期間内に、目標精度を達成。経営層への報告材料が揃ったタイミングで本開発に進みました。

Step 3. 本番ラインへの統合と運用設計

本番では既設の検査機ハードウェアと連携し、人による最終確認は維持しつつ、 AI による事前スクリーニングを挟む構成にしました。誤検知ハンドリングや モデル劣化監視も同時に運用設計に含めています。

成果

結果として、検査専従スタッフは品質改善業務(原因分析・歩留改善検討)へシフト。 人手を減らすのではなく、人手を活かす方向に運用が変わったことが大きな成果です。

体制と期間

• 期間: 6 ヶ月(PoC 2 ヶ月 + 本開発 4 ヶ月)
• 体制: A 社側 PM 1 名 / 弊社 PM・ML エンジニア・MLOps エンジニア・QA の 4 名