画像認識・外観検査を安くする6つの設計と、削ってはいけない3つの工程

画像認識・外観検査は、AI開発のなかでも見積もりの幅が大きい分野である。同じ「キズを見つけたい」という依頼で、300万円の提案と2,000万円の提案が並ぶことが珍しくない。

差を生んでいるのはモデルの良し悪しではない。何を撮るか、どこまで判定させるか、外れたものを誰が拾うかという設計である。ここは発注側が決められる部分が多く、決め方次第で費用が大きく動く。

削れる場所を6つ、削ると後で必ず高くつく場所を3つ、順に整理する。

何が費用を決めているのか

見積書の内訳は会社によって書き方が違うが、金額の大半は次の3つに集まる。

費目	何にかかっているか	発注側で動かせるか
教師データの収集とアノテーション	不良品の実物を集め、1枚ずつ「どこが不良か」を人が印を付ける作業	動かせる（最も効く）
撮像環境の設計	カメラ・レンズ・照明・部品を固定する治具。現場での設置と調整	動かせる
モデルの学習と精度の作り込み	目標精度に届くまでの試行。届かないほど工数が伸びる	間接的に動かせる

この3つのうち、教師データと撮像環境は発注側の判断で半分以下にできる。逆に、そこを曖昧にしたまま「精度を上げてください」と頼むと、3つ目が際限なく膨らむ。分野別・フェーズ別の目安は 画像認識・外観検査の費用相場 にまとめている。

削れる場所1：判定を「良品かどうか」の2択に寄せる

最も効くのがこれである。

現場のヒアリングをすると、たいてい「キズ・打痕・異物・欠け・変色を、種類ごとに分類したい」という要望が出てくる。しかし不良の種類を分けるには、種類ごとに十分な枚数の実物が必要になる。5種類に分けたいなら、教師データの収集も5系統ぶん走る。

一方、「良品か、そうでないか」の2択なら、集めるべきは「良品の大量データ」と「不良品の一部」で足りる。種類の分類は、人が弾かれた現物を見れば数秒で判断できることが多い。

• 5種類の分類：教師データの収集・アノテーションが5系統。学習の試行も増える
• 2択：収集は2系統。不良の内訳は人が現物で判断

種類の分類は、月次の集計に必要なだけなら人の目視で十分成立する。 本当に自動分類が必要かは、「その分類結果を、誰が、いつ、何のために見るか」で確かめられる。

削れる場所2：ソフトで頑張る前に、撮る条件を固める

画像認識の精度は、モデルより先に撮像条件で決まる。同じ部品でも、照明の角度が変われば見え方が変わり、位置がずれれば比較できない。

条件がばらつく前提で作ると、ばらつきを吸収するためのデータと学習工数が跳ね上がる。逆に、

• 照明を固定する（外光が入らないようカバーを付ける）
• 部品の位置と向きを治具で固定する
• カメラとの距離を固定する

これだけで、必要な教師データの枚数は目に見えて減る。照明と治具は数万円〜数十万円のハードウェアで、開発工数の数十万円〜数百万円と交換できる。ここは投資対効果がはっきりしている数少ない場所である。

「現場が忙しいので、今の流れのまま撮ってください」という要望はよく出るが、それは最も高くつく発注の仕方になる。

削れる場所3：AIに「白黒つけさせない」二段構えにする

外観検査の費用が跳ねる一番の原因は、「AIだけで合否を確定させる」という前提である。誤って不良を流すことが許されない現場では、この前提のまま精度を詰めると工数が青天井になる。

現実的なのは二段構えである。

1. AIは「明らかな良品」だけを通す
2. 判断が微妙なものと不良候補は、すべて人の確認に回す

この設計なら、AIに求める性能は「見逃さないこと」だけでよい。多少過検知が出ても、人の確認工数が増えるだけで、品質事故にはならない。そして「見逃さない」ほうが「両方を高精度で当てる」より、はるかに早く到達できる。

導入効果は「検査員をゼロにする」ではなく「検査員が見る枚数を減らす」で測る。この考え方は 【モデルケース】外観検査のAI化 でも同じ形を採っている。

削れる場所4：既製のサービスで足りる範囲を先に潰す

すべてを開発する必要はない。

• バーコード・ラベル・印字の読み取り　→ 既製のライブラリやサービスで足りることが多い
• 寸法の測定・欠品の検出　→ 画像処理（AI以前の手法）で解けるケースがある
• 汎用的な物体の検出　→ クラウドの学習済みモデルで試せる

「まずAI」ではなく「まず既製品」で試し、それで解けない部分だけを開発対象にする。 対象を絞るほど、教師データも学習工数も減る。開発せずに済ませる選択肢の探し方は 生成AI導入を安くする方法 と同じ発想である。

削れる場所5：教師データの収集を通常業務に埋め込む

アノテーションを丸ごと外注すると、枚数に比例して費用が積み上がる。ここは発注側が持てる作業である。

• 検査員が普段弾いている不良品を、捨てずに保管する運用を先に始める
• 弾いた理由を、決まった選択肢から1つ選んで記録する
• 撮影は治具に載せて1枚撮るだけの手順にする

重要なのは開発の発注より前に始めることである。不良品は毎日大量に出るものではない。契約してから集め始めると、集まるまでの待ち時間がそのまま期間とコストになる。

3か月前から保管を始めていれば、PoCの開始時点で使えるデータがある。 これは値引き交渉より確実に効く条件提示になる（値引きより効く条件提示）。

削れる場所6：リアルタイム判定をやめられないか確かめる

「ラインを流れる部品をその場で判定する」構成は、推論用の機材を現場に常時置くことになり、機材費と保守費が乗る。クラウドで処理する場合も、常時稼働する推論環境が必要になる。

一方、判定が数分〜数時間遅れても業務が回るなら、撮影だけを現場で行い、まとめて処理する構成にできる。

構成	何が必要か
ライン上でその場で判定	現場の推論機材、低遅延の通信、常時稼働の保守
撮って後でまとめて判定	撮影装置と保存先。処理は空き時間に回せる

「その場で止める必要があるのか、後で抜けばよいのか」 は業務側で決められる。後者でよいなら、初期費用も運用費も下がる。

削ってはいけない費用1：評価用のデータと合否基準

ここを削ると、何をもって完成なのかが永久に決まらない。

必要なのは次の3つである。

• 学習に使わない評価専用の画像（現場の実物から取り分けておく）
• 見逃し率（不良を良品と判定する割合）の上限
• 過検知率（良品を不良と判定する割合）の上限

この3つが契約前に決まっていない案件は、検収で必ず揉める。「精度95%」という一言では合否を判定できない。不良品が全体の1%しかないラインなら、全部を良品と判定するだけで精度99%になるからである。指標の読み方は AIの精度をどう評価するか に整理している。

削ってはいけない費用2：条件が変わったときの再テスト

外観検査は、現場の条件が変わると精度が落ちる。

• ラインの改修で照明の位置が変わった
• 部品のロットが変わって表面の光り方が変わった
• 季節で外光の入り方が変わった

導入時の1回きりのテストで終わらせると、半年後に「使えなくなった」となる。 見積書には、少なくとも「条件変更時の再評価の手順と、その工数の扱い」が書かれているべきである。

ここを削った安い見積もりは、安いのではなく後から追加費用が出る形になっているだけのことが多い。

削ってはいけない費用3：再学習を回す体制

モデルは作って終わりではない。新しい不良が出れば、追加で学習させる必要がある。

確認しておくのは次の3点である。

• 追加学習を誰が実行するのか（発注側か、開発会社か）
• 1回あたりの費用と期間
• 学習後のモデルを現場に反映する手順

「保守費に含む」と書かれていても、年何回までなのかが書かれていなければ実質的に決まっていない。運用費の考え方は AI運用費を下げる10の方法 も参照してほしい。

見積書で確認する5行

受け取った見積書を、この順で見る。

1. 教師データの枚数と、アノテーションを誰がやるかが書かれているか
2. 撮像環境（照明・治具・カメラ）の費用が、誰の負担で、いくらか明記されているか
3. 合否基準が「見逃し率」「過検知率」の2つで書かれているか（「精度○%」の一言で終わっていないか）
4. 人が確認する工程が設計に入っているか（AI単独で確定させる前提になっていないか）
5. 再学習の回数と費用が保守の範囲として書かれているか

このうち3が書かれていない見積もりは、金額の妥当性以前に比較ができない。複数社を同じ土俵に乗せる手順は 相見積もりを比較する方法 にある。

まとめ

• 画像認識の費用は教師データ・撮像環境・精度の作り込みの3つに集まる。前の2つは発注側で動かせる
• 判定を2択に寄せる／撮る条件を固める／人の確認を前提にするの3つが、最も効く削り方
• 既製のサービスで解ける部分を先に潰し、不良品の保管を発注より前に始めておく
• 合否基準・条件変更時の再テスト・再学習の体制は削らない。削ると後から追加費用になるか、検収で揉める
• 削りすぎの判定は「安いかどうか」ではなく「後から誰かが手作業で埋める前提になっていないか」で見る

手元の見積書がこれらの前提を書いているかは 見積書チェック で機械的に確認できる。まだ相談前の段階なら、費用診断 で条件を整理してから問い合わせると、教師データや撮像環境の前提を最初から書面に載せやすい。