・人為的なミスを削減する
人による目視検査の場合、本来の検査項目以外の異常も発見し適切な対応を取れるといったメリットの反面、長時間の検査による疲労や検査ミス、経験値の差による検査レベルのバラツキが出てしまうデメリットもあります。AI画像検査装置では検査員によるバラツキを生じさせずに安定した検査を実施することが可能です。

・過検出、過剰排出を防止する
既存の画像検査装置では良否判定に迷うような製品は安全を見て不良判定として排出させる場合が多いところ、AI画像検査装置では多数の良品画像、不良画像を蓄積していくことによって良否判定を自動判断していくことが可能になります。
既存のルールでは不良排出していた製品をAIによる判断で良品化できることによって原材料ロスの低減、不良製品処理の工数低減に繋がります。既存の検査画像を活用しながら、初期投資を抑えてAI画像検査を導入することで検査精度を作り上げていくことが可能です。

・目視検査要員の省人化
　人手不足の中でも高い品質を維持するため、過排出、過剰排出の処理工数をAI画像検査装置によって省人化することが可能です。

AI画像検査装置導入による参考価格は合計約５００～１０００万円です。
AI画像検査装置はAIに継続して学習させていくことによって、検査アルゴリズム、検査精度のアップデートを行っていきます。
上記価格と合わせて年間のライセンス費用や更新費用が発生していく場合もあります。
他にもAIの月額利用契約（サブスクリプション）で提供している企業もあり、AIを活用したサービスも増えています。

AI画像検査装置の導入までの流れを解説します。
導入を着実に進めるために、画像検査の業務改善における達成目標を定めて、自動化の実現性、検査精度の向上、省人化などが見込めるか適性を見極めることが重要です。

①撮像環境を検討する
　AIに限らず、画像認識において、検査を行うカギとなるのが撮像環境です。
　検査対象製品に合わせて、異常画像を際立たせる照明選定や検査環境にあった構成を検討します。

②AI導入の検討
　複数ある異常検出方法から検査特性に合った手法を検討します。
　方法１：撮影画像上から欠陥、異常の位置を特定。抽出する方法
　使用例：ベルト式コンベア上を流れてくる製品の中にゴミなどの異常品が混ざっていないかの検査工程
　　　　　ケーキなどのトッピング工程で発生するトッピング物の位置ずれ異常や、トッピング物の有無検査工程
　方法２：AIに読み込ませ生成した正常画像との差分を異常として抽出する方法
　使用例：不良の発生頻度が少なく、不良品サンプルがなかなか集められない場合。過去発生したことのない異常を検出したい場合。

③検討方針の検証
　下記の項目を参考に、AI導入実現可能性と投資対効果があることを明らかにすることを目的に実証実験を行います。
　検証１：検証要件の整理
　　　　　検知対象製品の整理と要求レベルの設定、最終運用イメージの整理、評価指標の認識調整
　検証２：データのアセスメントを行う
　　　　　検証用素材の収集、検証データ環境の構築、検査・AI学習データの作成
　検証３：検査モデルで実証実験を行う
　　　　　検査モデルの評価方法の検討、学習モデルの作成・検証、検証項目の適合性判断、検証データの精度性能評価
　検証４：検証内容の共有
　　　　　検証実施内容のまとめ、課題の洗い出し

④運用システムの開発
　検討、検証結果を元に、検査精度・速度を調整して実際の現場環境で運用可能なシステムを構築していきます。

トラブル事例
AI画像検査装置を導入後、検査精度が安定せず誤排出が多発していたため画像検査をOFFで稼働していた。

原因①
画像検査装置を起動していない状態で稼働できる仕様にしていた。
原因②
設備オペレーターや現場設備担当者が画像検査装置の調整方法が分からないために画像検査OFFにしていた。

対策①
画像検査装置を起動していない状態で設備稼働できないようインターロック制御を入れておく。（OK信号を取り込むようにする）
NG信号を基に設備停止やブザーでお知らせしている場合、NG信号が出ない状況（カメラのトラブルやカメラ立上げ忘れ等）でも設備は稼働し続けてしまう。
対策②
画像検査装置の調整マニュアルを整備し、教育を行う。画像検査をOFF状態で稼働させる場合検品作業者を置くなど代替措置をとるなどの対策を行う。