外観検査の過検出を減らすには — 「見逃しゼロ」要求との現実的な付き合い方

外観検査の自動化で、見逃し (不良の流出) と並んで現場を悩ませるのが過検出 —— 良品を不良と判定してしまう問題です。「見逃しゼロ」を追求して感度を上げるほど過検出は増え、NG 品の山を人が再検査する羽目になり、「これなら最初から全部人が見た方が早い」という本末転倒が起きます。この記事では、過検出との現実的な付き合い方を整理します。

見逃しと過検出はトレードオフである、とまず認める

検査のしきい値を厳しくすれば見逃しは減り、過検出が増える。緩めればその逆 —— この関係は検査方式が何であれ原理的に避けられません。問題は、このトレードオフを直視せず「見逃しゼロ・過検出ゼロ」を暗黙の要求にしたままプロジェクトが進むことです。

最初に決めるべきは、工程として何を優先するかです。人体への影響や重大クレームに直結する欠陥は見逃し側を徹底的に締め、軽微な外観問題は過検出コストとのバランスで決める。欠陥の種類ごとに要求水準を分けて定義することが、実運用できる検査の出発点になります。

過検出を減らす打ち手は「判定の手前」に多い

過検出が多いとき、判定しきい値の調整だけで解決しようとすると行き詰まります。効果が大きいのは、判定より手前の工程です。

• 撮像の安定化: 照明ムラ・位置ずれ・搬送振動による画像のばらつきは、そのまま過検出の種になる。撮像系の見直しは地味だが効果が大きい
• 過検出パターンの分析: 過検出された画像を集めて分類すると、原因の多く (水滴・ほこり・照明反射・許容範囲の個体差など) は少数のパターンに集約される。パターンごとに対策を打つ
• 良品ばらつきの学習充実: AI 検査の場合、過検出の多くは「学習していない良品バリエーション」で起きる。ロット差・経時変化を含む良品データを追加学習することが根本対策になる

「グレーゾーンは人が見る」を設計に組み込む

全数を機械が白黒判定する構成にこだわると、しきい値は必ず苦しい位置に置かれます。有効なのが、判定を「明確な OK / 明確な NG / グレーゾーン」の 3 つに分け、グレーゾーンだけを人が確認する構成です。機械は自信のある判定だけを確定し、人の目は本当に判断が難しいものに集中する。検査の信頼性と省人化を両立させる、実務で最も堅実な落とし所です。

まとめ

過検出は「アルゴリズムの精度不足」と一括りにせず、要求水準の定義 → 撮像の安定化 → 過検出パターンの分析 → グレーゾーン運用の設計、という順に手を打つことで、現場が運用できる水準に収められます。PGP ではAI 外観検査・画像処理・マシンビジョンの設計・改善を通じて、「入れたが使い物にならない」検査の立て直しも支援しています。過検出にお困りの検査ラインがあれば、現状の画像とデータを拝見するところからご相談いただけます。