MLinfo/製造業AI

Internalization Guide

外観検査・欠陥検出のAI/MI実装ガイド

製品画像、顕微鏡画像、表面欠陥を対象に、分類・検出・セグメンテーションを選ぶための導線です。

「外観検査 AI 欠陥検出」「不良画像 少ない 異常検知」で調べる人が、画像検査PoCの始め方を決めるためのページです。

実装の始め方

  1. 1良品/不良品、欠陥位置ラベルの有無を確認します。
  2. 2ラベルが少ない場合は良品学習型の異常検知から試します。
  3. 3欠陥位置が必要ならセグメンテーション、種類判定なら分類を選びます。
  4. 4見逃し率を優先して評価し、誤検知とのバランスを調整します。

自社データでPoCする時の考え方

欠陥位置のラベルがない場合は、良品画像だけで学習する異常検知から始めると導入しやすいです。

ラベルがある場合は、分類、物体検出、セグメンテーションのどの粒度が現場に必要かを先に決めます。

精度だけでなく、撮像条件、照明、タクトタイム、見逃し時のリスクを評価に含めます。

よくある落とし穴

  • ・撮像条件が変わると、モデルが欠陥ではなく照明差を学習することがあります。
  • ・不良画像が少ない状態で通常の分類をすると、見逃しが多くなりやすいです。
  • ・現場では誤検知より見逃しが重いケースが多く、評価指標を調整する必要があります。

よくある質問

不良画像が少なくても始められますか？

始められます。良品学習型の異常検知や事前学習モデルの特徴量を使う方法が候補になります。

分類・検出・セグメンテーションはどう選びますか？

良否だけでよければ分類、欠陥位置が必要なら検出、欠陥領域の面積や形状まで必要ならセグメンテーションを選びます。

おすすめ手法

Image ClassificationObject DetectionSegmentationAnomaly DetectionFew-shot Vision

関連する論文・実装

620 articles
製造業 86
製造業 86
製造業 82
製造業 73
arxivGitHubあり2026-06-08

Assessing Sample Quality in Conditional Generation under Compositional Shift

Transformerベースのモデルを改良し、ゲノム規制的情報を組み込んだモデルを提案。遺伝情報を組み込むことで、遺伝子発現の解釈と予測の精度が向上することを示した。

MI向き品質予測/異常検知自然言語処理RAG生成
用途
ゲノム規制的情報を組み込んで遺伝子発現の解釈を向上させる
難易度
Hard
コスト
High
→
製造業 72
製造業 68
製造業 67
製造業 67
製造業 67
製造業 66
製造業 62
製造業 62
製造業 61
製造業 60
製造業 59
製造業 55