外観検査をAIに置き換えたい、という依頼でも、最初から全数・全項目を自動にする必要はありません。基準が曖昧な項目ほど、段階を分けた方が現場に残りやすいです。
先に分ける3つ
- 人の目でもはっきり分かる不良
- 人によって判断が分かれるもの
- そもそも写真に出にくいもの
1つめは、撮像が安定していればAIやルール判定を検討しやすい対象です。ただし、人に見えることだけで自動判定の精度は保証できません。2つめは、サンプルを集めて基準を言語化する作業が先です。3つめは、照明やカメラで必要な情報が写るかを先に確認します。
曖昧なものを残す
基準が揃わないまま学習すると、誤ったラベルが評価や判定に影響するおそれがあります。自動判定の対象を限定するか、判断を保留して人へ回す条件を決めます。モデルの出力スコアだけを確実性の保証として扱わず、別に用意した評価データで見逃し・過検出と再確認件数を確認します。
自動で切る範囲を狭くした方が、導入後の調整は楽になることが多いです。
記録と見直し
合否だけでなく、「なぜそう判断したか」が残ると、基準の更新ができます。写真、判定、コメントがバラバラだと、再学習のたびに同じ議論に戻ります。
ソフトウェア事業では、判定結果の残し方や、人が確認する画面を現場の流れに合わせて作ることがあります。AI単体の精度確認と、記録の仕組みは分けて考えると進みやすいです。
まずは、分かれている判断と、写真に出ている判断を整理するところからご相談ください。
評価結果を一つの数字にまとめない
見逃した不良、良品を不良としたケース、判断を保留して人が確認したケースを分けて残します。対象の種類や撮像条件も添えると、どの条件で課題が出ているかを振り返れます。
合否の基準を変えた場合は、変更前後の判断を区別して記録します。これにより、モデルの変更による差と基準の変更による差を混同しにくくなります。AI外観検査の評価・導入の進め方と、画像・判定・作業記録をつなぐソフトウェア開発を合わせて検討してください。