不良画像が少なくても、AI外観検査は成立する？

同じ傷を似た角度で何枚も撮った画像と、異なる不良を撮った画像では、確認できる範囲が変わります。

初回のご相談では、例えば次のことを伺います。

• 見つけたいのは傷、欠け、汚れ、組み付け違いなど、どのような異常か。
• 手元の画像に、対象となる不良の種類がどれくらい含まれているか。
• 正常品の画像は、どれくらい用意できるか。
• 照明、角度、背景、品種などに、どのような変化があるか。
• AIの判定後に、人が再確認する工程を設けられるか。

すべての条件が分かっている必要はありません。足りない情報を整理することも、検証の準備に含まれます。

不良画像が少ないときは、正常品の画像を見本にして、「いつもの見た目から外れている部分はないか」を調べる方法が候補になります。

Inefficiency Labでは、この考え方を使う3つの方法を、公開されているプリント基板の画像で比較しました。不良の見本を覚えさせるのではなく、正常な状態との違いから異常を探す検証です。

比較した3つの方法

• 画像を重ねて、明るさの差を見る（ECC残差法）
  正常な基板の見本と検査画像の位置を合わせ、重ねたときに残る明るさの差を数値にします。
• 輪郭の向きや並びの違いを見る（Patch HOG＋One-Class SVM）
  画像を小さな領域に分け、輪郭の向きなどを数値にします。正常画像で見られる特徴から、どれくらい外れているかを調べます。
• 学習済みAIで、見た目の特徴を比べる（DINOv2）
  学習済みの画像AIを追加学習せずに使い、小さな領域ごとの特徴を数値にします。224×224画素へそろえた検査画像の特徴を、正常20枚から集めた5,120領域の特徴と比べます。

学習・調整用の画像と、性能テスト用の画像を分ける

学習や判定基準の調整に使った画像は、性能テストには使いません。使った画像では正しく判定できても、初めて見る画像で同じ性能が出るとは限らないためです。この研究では、画像を次の3つの用途に分け、同じ画像を別の用途に使わないようにしました。

1. 正常画像20枚：正常な状態を学習・比較するための見本。
   3つの方法が同じ20枚を使い、基板の通常の見た目や特徴を捉えます。
2. 別の正常画像881枚：判定基準を調整する。
   正常品にも見た目の違いがあるため、その違いだけで異常と決めつけないよう、判定の境目を調整します。
3. さらに別の正常100枚・異常100枚：性能テストに使う。
   学習・調整後の設定を変えずに判定します。その後、正常・異常の正解情報と照合し、見逃しと誤判定を数えます。

各方式をCPUで動かし、性能テストの正解情報を伏せて判定を保存しました。独立して起動したプログラムで各方式の先頭10枚のスコアが一致することも確認してから、正解情報と照合しています。判定基準（閾値）はテスト結果を見て変更していません。

この研究で使ったのは、見本20枚に加え、判定基準の調整と性能テストのための画像です。「見本に必要な枚数」と「性能を確かめるために必要な枚数」は分けて考える必要があります。

結果は「見つけた数」と「間違えた数」で確認する

今回の研究では、次の検証へ進む条件の一部として、次の2つを事前に決めました。

• 異常100枚のうち、90枚以上を異常と判定する。
• 正常100枚のうち、異常と間違えるのは5枚以下にする。

これは研究用に仮に置いた条件です。実際の現場では、不良を見逃す影響や、人が再確認する負担に合わせて基準を決めます。

最も多く異常を見つけたDINOv2でも、100枚中34枚の検出にとどまり、66枚を見逃しました。正常品を異常と間違えた数も7枚となり、上限の5枚を超えました。検出した割合は再現率（recall）、正常品を異常とする割合は誤検出率（FPR）として評価しています。

採用の判定では、DINOv2は正常品の誤判定が上限を超えた時点で不採用になりました。ほかの2つは、異常を見つけた数が基準に届きませんでした。3つとも条件を満たさなかったため、今回は次の検証へ進める方法を選びませんでした。

異常らしい順に画像を並べる能力の指標AUROCは、DINOv2で0.7943と3方式中で最も高い値でした。ただし、これは正答率ではありません。実際に使う判定基準での見逃し・誤検出が、業務の許容範囲に収まるかを別に判断します。

技術的な評価条件と結果（GitHub）

この結果が示す範囲と限界

今回の比較実験は、3つの方法を評価し、いずれも採用を見送る判断まで完了しています。基板の種類と参照画像の組は一つに限られ、画像全体の正常・異常だけを評価しました。欠陥位置の特定、別の製品・撮影条件での性能は未検証です。

この比較実験には、誤判定した画像を目視で調べる原因分析や、方法を改善した後の再評価は含まれていません。

研究の概要と関連資料（GitHub）

「AIが異常を見つけた」という試作から、実際の検査へ進むには、少なくとも次を整理したいと考えています。

小規模PoCでは、この条件を先に決めてから検証いたします。結果に応じて、画像を追加する、撮影方法を見直す、別の方式を試す、現時点では見送る、といった選択肢を整理いたします。