AI外観検査における良品学習と不良品学習の違いとは？導入におけるポイントをご紹介。

良品検査は、AIによる外観検査の学習方法の一つです。 まず、問題のない製品（良品）の画像を大量にAIに学習させ、良品の特徴や基準を把握させます。この学習によって、AIは「良品」と判定するための基準を決めます。

次に、AIが実際に製品画像をチェックし、その基準から外れているものを「不良品」と判定するという仕組みです。

このように、良品の画像のみを使ってAIに学習させ、良品となる基準を決める手法を「良品学習」といいます。

この手法の最大のメリットは、不良品のデータ収集が不要なため、導入が比較的容易である点です。
小さなキズやカケなど不良品のデータは収集が難しく、特に発生頻度が低い場合には手間・時間とコストがかかるため、良品学習は効率的なアプローチと言えます。

形が一緒で変化しにくい電子部品、例えばICチップや抵抗器、コンデンサーの表面の欠陥検出には特に適しています。

一方で、未知の不良品への対応が難しい点がデメリットとして挙げられます。
例えば、食品においては食品特有の複雑な不良が存在するため、良品データのみを用いた学習では、不良品を誤って良品と判定してしまう場合があります。

良品の基準から外れる状態を「不良」と判断すると、食品のような色・形や大きさ違いが個体差があるものでは、何が良品で何が不良か境界線が曖昧です。そのため、良品検査は食品はあまり向かないケースもあります。

特に、青果物や魚のように品種や生育環境によって外観が大きく異なる場合が典型例です。 また、微細な不良を検出する必要がある場合にも、良品データだけでは限界があります。

例えば、ひび割れや変色といった微細な不良を検出するには、不良品の画像データも併せて使用する必要があります。

しかし、近年は技術の発展により、良品学習だけでも微細なキズを十分に検出できるようになってきました。一度、AIによる外観検査がどの程度の精度を持つのか、問い合わせてみるのもよいでしょう。

一方で不良品学習とは、AIに不良品の画像データを大量に学習させ、その不良品の特徴を学習させます。

「良品学習」に基づくAI外観検査では、良品とのわずかな違いを検出することになるので、微細なキズや欠けなどは、基準内と判断される可能性があります。

しかし,不良品の特徴そのものを学習させる「不良品学習」では、そうした今まで見過ごされてきた小さなキズや欠けも不良品として学ぶので、不良品として的確に検出できるようになります。

不良品学習のメリットは、さまざまな種類の不良品を学習させることで、多様な不良品に対応できる点です。
 生ものや野菜など、外観が発育状況によって大きく異なる製品においては、不良品学習の方が適しています。

異物検出にも活用可能で、異物やコゲといった「不良品側の特徴」を学習することで、それらを高精度に検出できます。
良品の基準が毎回異なるような製品では、「良品学習」では異物混入などを見逃しやすいですが、不良品学習ではそうしたリスクを低減できます。

ただし、不良品学習には大量のデータが必要という課題があります。
特に異物混入の場合、虫や毛髪など異物の種類は多岐にわたり、すべてを網羅的に学習させるのは現実的に困難です。


しかし異物の種類を追加で学習させていくことで検出精度をさらに向上させることができ、手間はかかりますが、特定の分野では非常に高い効果を発揮します。 最近では不良品の画像を人工的に増やす（データ拡張）技術も活用されています。

精度の高いAI外観検査を構築するポイントとして、まずデータの精度を高めることが挙げられます。
そのためには適切なハードウェアの選定が重要です。
照明は製品の表面を正確に捉え、凹凸や傷などを強調して検出精度を向上させます。
適切な画像処理装置も、ノイズを除去し高品質な画像を提供することで精度を向上させます。
例えば、画像の明るさやコントラストの調整、二値化など、AIが処理しやすい形に加工することが効果的です。

さらに、導入前にはデータの簡易検証を行い、システムが正確に動作するかを確認することが重要です。
特に、運用中にデータの更新が容易であるかどうかを確認することで、後々のトラブルを防げます。
一部のラインや製品で試験的に導入し、結果を評価してから本格導入することが望ましいです。

このように、良品学習、不良品学習、ルールベースを適切に活用し、精度の高いAI外観検査システムを構築することで、効率的かつ信頼性の高い検査が実現できます。