【テンプレート付】外観検査AIシステムの要件定義｜機能要件・非機能要件チェックリストと進め方

外観検査AIシステムの要件定義とは

外観検査AIシステムにおける要件定義とは、傷・打痕・異物・欠け・ムラ・印字かすれなどの欠陥種類ごとに合否基準（限度見本）を明文化し、照明・カメラ・レンズ・撮像タイミングを含めた撮像条件、判定ロジック（良品学習か欠陥分類か）、ラインへの実装方式（インライン／オフライン）を文書化する工程です。単に画像を分類するモデルを入れることではなく、NG品の排出（リジェクト）制御、ロット単位のトレーサビリティ、限度見本との突き合わせ、新規欠陥が出たときの再学習までを業務として定義します。欠陥サンプルが極端に少ない・不良流出が許されないという前提のもと、どこを良品学習（教師なし）で、どこを欠陥分類（教師あり）で扱うかの境界も決めます。

なぜ要件定義で外観検査AIシステム導入の成否が決まるのか

外観検査AIは、不良率が低く欠陥サンプルが集まりにくいうえ、限度見本がそもそも官能評価で曖昧という難しさを抱えており、要件定義で良否基準と撮像条件を固定できないと、検査員の判定と一致せず現場に使われなくなります。見逃し（不良流出）はクレームや回収につながり、過検出は歩留まりを落として人手の二次目視を増やすため、両者の許容ラインの合意が導入の成否を分けます。

• 欠陥サンプルが少なく、特に致命欠陥ほど現物が無いため教師あり学習が成立せず精度が出ないまま見切り発車する
• 限度見本が官能評価で人によってブレており、AIの判定基準を固定できず検査員と判定が食い違う
• 過検出（虚報）が多発して結局すべてを人が再目視することになり、省人化の効果が消える
• 照明・ワーク姿勢・色変更などラインの変化に弱く、量産立ち上げ後に検出率が急落して使われなくなる

要件定義で決める5つの範囲

1. 検査対象と欠陥定義 — 対象品種・材質・表面（金属／樹脂／塗装等）を特定し、傷・打痕・異物・欠け・ムラ・印字不良など欠陥種類ごとに合否基準（限度見本）を明文化する範囲
2. 撮像・照明設計 — カメラ解像度・レンズ・同軸／ローアングル／ドーム等の照明方式、ライン速度に対する撮像タイミングとトリガを定める範囲
3. 判定ロジック — 良品学習（教師なし異常検知）か欠陥分類（教師あり）か、寸法・位置の幾何検査との組み合わせ、判定しきい値の設計を決める範囲
4. ライン実装と排出制御 — インライン／オフラインの別、コンベア・ロボット・PLCとのI/O連動、NG品のリジェクト・仕分け制御を含む範囲
5. 運用・再学習 — 検査員による判定の確認（オーバーライド）と教師ラベル付与、新規欠陥・品種追加時の再学習サイクルとモデル更新の承認フローを定める範囲

外観検査AIでは「同じ欠陥でも照明・角度・ワークのロットが変われば見え方が変わる」ため、撮像条件をスコープから外して判定アルゴリズムだけを切り出すと、量産で再現せず破綻します。

要件定義の進め方：5ステップ

ステップ	内容	アウトプット
①	検査対象と欠陥種類の洗い出し。品種ごとに発生する欠陥を不良モード・流出実績から列挙し、致命／重欠陥／軽微の等級と合否基準を限度見本に紐づける	欠陥種類一覧、限度見本（等級別）、品種別の検査仕様
②	撮像条件の検証。サンプルワークで照明方式・カメラ・レンズ・ワーク姿勢を試し、対象欠陥がコントラスト良く写るかを確認する	撮像条件仕様書、画像サンプル、必要解像度・タクト要件
③	判定要件の定義。良品学習か欠陥分類かを決め、許容する見逃し率・過検出率、判定タクト（1個あたり処理時間）を現場と合意する	判定要件定義書、KPI目標値（見逃し率・過検出率・タクト）
④	PoC・実証。実ライン相当で収集した良品／不良画像で検出率・過検出率を評価し、検査員判定との一致度を確認する	PoC計画書・評価レポート、混同行列、限度見本との整合確認
⑤	ライン実装と運用設計。PLC・リジェクト機構とのI/O、ロット連携、検査員のオーバーライドと再学習の承認フローを定める	ライン実装仕様書、運用・再学習ルール、トレーサビリティ設計

KPIは「見逃し率（不良流出率）」「過検出率（良品をNGと誤判定する率）」「検査員判定との一致率」「判定タクト（1個あたり処理時間）」を必ず置き、不良流出ゼロと歩留まり維持のバランスで目標を定めます。

機能要件チェックリスト（外観検査AIシステムの核心）

外観検査AIシステムに求める代表的な機能要件です。自社の状況に照らして「必須／任意／不要」を判断してください。

大分類	主な要件項目
撮像・画像取り込み	ラインスキャン／エリアカメラ対応, 撮像トリガ（フォトセンサ・エンコーダ連動）, 複数面・多視点の同時撮像, 照明制御（点灯タイミング・ストロボ同期）
画像前処理・位置合わせ	ワークの位置・回転補正（アライメント）, 検査領域（ROI）のマスク設定, 明るさ・コントラスト正規化, レンズ歪み補正・キャリブレーション
欠陥検出・良否判定	良品学習による異常検知（教師なし）, 欠陥分類（傷・打痕・異物・欠け・ムラ等）, ヒートマップによる欠陥位置の可視化, 寸法・位置・有無の幾何検査との併用
判定しきい値・限度見本管理	欠陥等級別（致命・重・軽微）の判定基準設定, 品種・ロット別のしきい値切り替え, 限度見本画像の登録・比較, 過検出／見逃しの感度調整
排出・仕分け制御（ライン連動）	PLCへのOK/NG信号出力, リジェクタ・エアブロー・仕分けアームの制御, NG理由（欠陥種別）に応じた仕分け先振り分け, 連続NG・閾値超過時のライン停止連動
検査結果記録・トレーサビリティ	ワーク／ロット単位の良否・欠陥種別の記録, NG画像の自動保存とひも付け, シリアル・ロット番号との連携, 検査実績の集計（不良率・欠陥パレート）
検査員レビュー・教師ラベル付与	判定結果の確認とオーバーライド（再判定）, NG画像へのアノテーション（欠陥種別・範囲）, 限度見本の更新申請, 判定根拠（ヒートマップ）の表示
モデル管理・再学習	新規欠陥・新品種の追加学習, モデルのバージョン管理と切り戻し, 再学習後の精度比較（リリース前検証）, 量産反映前の承認ワークフロー
ダッシュボード・分析	ライン別・品種別の不良率トレンド, 欠陥種別パレート図, 過検出／見逃しの推移監視, 撮像不良・異常画像のアラート
エッジ・GPU処理	ライン速度に追従するエッジ／GPU推論, 高速撮像画像のバッファリング, モデルの遠隔配信・更新, 推論遅延・撮像漏れの監視

見落としがちな要件: 見落としがちなのは「過検出時の検査員オーバーライドと教師ラベル収集のフロー」と「照明・ワークのロット変動への対応」です。NG判定を人が覆した結果を再学習に回す仕組みが無いと精度が頭打ちになり、また材料ロットや塗装色が変わるたびに見え方が変わるため、照明調整と再学習のトリガを要件に組み込む必要があります。

非機能要件で見落としがちなポイント

機能だけに目が向きがちですが、非機能要件こそ稼働後の満足度を左右します。

区分	確認すべき要件（目標値の例）
性能	ライン速度に対する判定タクト（例: 1個あたり数百ミリ秒以内）で撮像漏れなく処理し、推論遅延を一定以内に抑える
可用性	量産ラインに直結するため検査装置の稼働率99.9%以上、装置故障時もラインを止めない縮退運転（全数二次目視への切替）を用意
拡張性	品種・検査面・カメラ台数の追加（例: 1ラインから複数ライン、面数増）に対応し、品種別モデルを横展開できる構成
セキュリティ	ライン制御ネットワーク（OT）とのI/Oを分離し、NG画像・検査データの保存と外部連携を暗号化、装置への不正アクセスを防止
運用保守	限度見本の更新・しきい値調整・再学習を品質／生産技術部門が自社で運用でき、ベンダー常駐なしにモデル更新できること
移行	既存の目視検査基準・限度見本、過去のNG画像資産をモデル学習用に取り込み、現行検査との並行運用（判定突合）ができること
コンプライアンス	検査記録・限度見本・モデルバージョンを製品ロットに紐づけて保管し、出荷可否の証跡として監査・トレーサビリティ要求に応えること

外観検査AIは量産ラインのタクトに律速されるため、性能・可用性の非機能要件は「ラインを止めない」「撮像を取りこぼさない」を前提に、装置故障時の縮退運転まで含めて定義する必要があります。

基幹・周辺システムとの連携要件

どのシステムと、何を、どの方式（API/CSV/EDI）で、どの頻度で連携するかを定義します。

連携先	主な連携内容
PLC / ライン制御（リジェクタ・仕分け機）	OK/NG信号と欠陥種別をI/Oで出力し、リジェクタ・エアブロー・仕分けアームを制御してNG品を排出・選別する
MES / 生産管理システム	検査実績（良否・不良率・欠陥種別）をロット単位で連携し、品種・工程情報を受け取って検査仕様を切り替える
品質管理システム（QMS / SPC）	不良率・欠陥パレートを管理図に連携し、限度見本やロット品質の証跡として検査記録を保管する
トレーサビリティ／シリアル管理（バーコード・2次元コード・刻印）	ワークのシリアル・ロット番号を読み取り、検査結果とNG画像を個体単位でひも付けて追跡可能にする
画像・データストレージ（NG画像保管）	NG画像と判定結果・ヒートマップを保存し、再学習用データセットおよび不良解析のエビデンスとして蓄積する
MLOps基盤 / モデル配信	再学習したモデルのバージョン管理と各ラインのエッジ装置への配信・切り戻しを行い、精度監視と連携する
Andon / 通知基盤	連続NGや過検出多発、撮像異常を現場のアンドンや通知に連動させ、検査員・生産技術へエスカレーションする

外観検査AIの連携で最重要なのはPLC・リジェクト機構とのI/O連動とロット単位のトレーサビリティで、ここが切れると判定結果がNG品の排出と出荷可否の証跡につながらず価値が出ません。

RFP（提案依頼書）に盛り込むべき項目

要件が固まったら、ベンダーへの提案依頼書（RFP）にまとめます。最低限、次の項目を含めます。

• 自社の欠陥種類（傷・打痕・異物・ムラ等）と材質・表面に対し、良品学習／欠陥分類のどちらでどう検出するかの実現方法
• 致命欠陥のサンプルが極端に少ない前提での学習アプローチと、PoCでの検出率・過検出率の検証方法
• 見逃し率と過検出率のトレードオフをどう調整できるか、限度見本・しきい値運用の柔軟性
• ライン速度（タクト）に対する撮像・推論の処理能力と、撮像条件（照明・カメラ）の選定支援の有無
• PLC・リジェクタとのI/O連動、MES・トレーサビリティ連携の具体的な実績と方式
• 新規欠陥・新品種が出た際の再学習・モデル更新を自社で回せる運用範囲と承認フロー

RFPでは「自社の限度見本どおりに、致命欠陥を見逃さず過検出も抑えて判定できるか」をPoC前提で問い、精度の数値約束より撮像条件の作り込みと検証プロセスの確かさを評価します。

ベンダーを横並び比較する評価マトリクス

ベンダー評価軸は、外観検査AIの核心である「自社欠陥での検出率・過検出率の実証力」と「撮像・照明条件を設計できる力」を最重視し（重み高）、次いでPLC・MESとのライン連携実績、検査員オーバーライドと再学習の自走しやすさ、限度見本運用の柔軟性を重み付けします。金属表面・樹脂成形・実装基板など自社の表面・欠陥に近い導入実績があるかも加点軸にします。

汎用画像AIのアルゴリズム性能より、自社の材質・欠陥での実績と撮像条件の作り込み力、量産変動への追従力を高く重み付けすべきです。

外観検査AIシステム導入でよくある失敗と回避策

よくある失敗	原因	回避策
致命欠陥を見逃して流出する	致命欠陥のサンプルが少なく教師あり学習が成立せず、稀少な不良パターンを学習しきれない	良品学習（異常検知）を基本に据えて未知欠陥も拾える設計とし、致命欠陥は別途ルール・幾何検査で二重に担保する
過検出が多く全数を再目視するはめになる	限度見本が官能評価でブレており判定基準が固定できず、軽微なムラまでNG判定している	欠陥等級別にしきい値を設定し、過検出率の許容ラインと検査員一致率を限度見本ベースで合意してから感度を調整する
量産立ち上げ後に検出率が急落する	照明やワーク姿勢、材料ロット・色の変動が撮像条件に作り込まれておらず、PoC時と見え方が変わった	撮像条件（照明・カメラ・治具）を要件で固定し、ロット変動を見込んだ画像で学習・再学習トリガを運用に組み込む
判定結果がライン制御や記録につながらない	PLCへのI/O連動やロット単位のトレーサビリティが設計されておらず、NG品の排出と証跡が宙に浮く	要件定義段階でPLC・リジェクタとのI/O、シリアル／ロット連携、NG画像保管までを必須スコープにする

チェックリストの使い方（テンプレートとして使う）

本記事の機能要件・非機能要件・連携要件・評価マトリクスの各表は、そのまま要件定義の雛形（テンプレート）として使えます。表をコピーして自社に必要な項目の「要否」「優先度」を記入し、ベンダー回答を並べて比較してください。

1. 各表で自社に必要な項目の要否（必須/任意/不要）と優先度を記入する
2. 不足する自社固有の要件を追記する
3. ベンダー回答（○標準/△設定・追加開発/×不可）を記入する
4. 評価マトリクスで重みと評点を入れ、加重スコアで横並び比較する

※ 記入と加重スコアの自動集計ができるExcelテンプレート（ダウンロード版）は近日公開予定です。