画像AIの検証条件：外観検査・認識・寸法測定をどう確かめるか

画像から何を判断・測定するのかを分ける

良品と不良品を分ける、傷の位置を見つける、図面から文字を読む、寸法を測る、画像のノイズを減らす作業では、正解と評価方法が違います。まず一つの製品、一つの対象箇所について、AIへ渡す画像と受け取る結果を並べます。以下は自社で検証計画を作るための提案です。

不良判定なら傷の種類と許容範囲、文字認識なら項目と正しい値、寸法測定なら基準となる測定値と単位を決めます。判定が割れる画像を集め、誰のどの基準で正解を確定するかも記録します。ノイズが少なく見える画像でも、測定値や判定の正しさは別に確認します。

撮影条件と、見逃し・余分な検出を別々に記録する

照明、カメラ位置、倍率、対象物の向き、材質、ロット、汚れの違いを記録します。同じ対象の似た画像を学習側と評価側へ混ぜた結果だけで、別のロットや現場への対応を判断しないようにします。分ける単位は実際に変わる条件に合わせます。

良否分類では、実際の不良を不良とした件数、不良を良品とした見逃し、良品を不良とした過検出、良品を良品とした件数を分けます。例えば架空の100個に不良が2個あり、全てを良品と答えると正答率は98％でも不良2個を全て見逃します。この例は計算の説明で、掲載製品の性能値ではありません。scikit-learnの混同行列は、実際の分類と予測の組合せを件数で確認する方法です。

寸法測定では基準値との差、同じ対象を繰り返し測ったばらつき、測れなかった件数を分けます。分類の正答率と測定の誤差を同じ数値として比較せず、業務で必要な許容差と確認手順を先に決めます。

ラインに戻す処理と、人が確認する動作まで試す

撮影から判定、結果の送信、排出や再検査までを一つの処理として測ります。AIの計算時間だけでなく、撮り直し、通信待ち、設備側の動作も含め、現場の処理間隔に間に合うか確認します。検査画像と結果が同じ製品に結び付いているかも試します。

撮影失敗や自信の低い結果を、無条件で良品扱いにしない運用を決めます。人へ回す条件、止める担当、照明や品種変更後の再評価を手順に残します。判定の閾値を変えた場合は、見逃しと再検査の件数を両方確認してから適用します。

確認した根拠を、残しましょう。

入力は送信されません。ページを離れると消えるため、必要な記録を保存してください。確認済みの数は、導入の適否や品質を表す点数ではありません。

分類・位置・文字・測定のどれを評価するか決めたか 確認資料の例：出力例、判定単位、正解を決める基準と担当

現場の撮影条件の違いを試せるか 確認資料の例：照明・倍率・向き・ロットごとの画像と条件記録

学習と評価の対象を適切な単位で分けたか 確認資料の例：製品・撮影日・ロットなどの分割表

見逃し・過検出や測定誤差を別々に確認したか 確認資料の例：分類別の件数、基準値との差、判定不能と再検査の記録

設備の動作を含む処理時間を測れるか 確認資料の例：撮影から結果送信・排出までの時間と対象の識別方法

撮影失敗・品種変更の対応を決めたか 確認資料の例：人による確認、停止、変更後の再評価の手順

出典と確認範囲

リンク先は提供元の公式情報です。このガイド全体や当社の手順が、提供元に承認されているという意味ではありません。

scikit-learn：混同行列：実際のクラスと予測クラスの件数を分けて読む方法を参照。100個の計算例と現場確認の手順は当社の作成です。

scikit-learn：学習・評価の情報混入：評価データを学習・前処理へ混入させない原則を参照。ロット分割や測定条件は自社の用途に合わせて決めます。