検品AI・外観検査AIの選び方2026｜おすすめより先に決める基準
記事
公開: 2026年6月25日
更新: 2026年6月25日
読了目安: 3分
公募中 4件
この記事の結論
「検品AI おすすめ」「外観検査AI 選び方」で検索される方の多くは、製品の順位表を見て手早く決めたいはずです。しかし外観検査AI（検品AI）は、検査対象の素材・形状、不良の定義、ライン速度、集められる不良品サンプルの量によって適した方式・仕様が変わるため、自社の条件を整理する前に順位だけを見て決めると、PoC（実証実
検品AI・外観検査AIの選び方2026：「おすすめ」を順位ではなく基準で決める
「検品AI おすすめ」「外観検査AI 選び方」で検索される方の多くは、製品の順位表を見て手早く決めたいはずです。しかし外観検査AI（検品AI）は、検査対象の素材・形状、不良の定義、ライン速度、集められる不良品サンプルの量によって適した方式・仕様が変わるため、自社の条件を整理する前に順位だけを見て決めると、PoC（実証実験）の段階で精度が出ず、やり直しになるケースが起きやすい領域です。そこで本記事は、製品を1位・2位と並べるのではなく、導入前に決めるべき4つの選定基準と、複数社を横並びで比較するためのPoCの進め方を軸に整理しました。
この記事でわかること（要約）
- 「おすすめ」を決める前に整理すべき4つの基準――検査対象・欠陥の定義／撮像条件（カメラ・照明・タクト）／学習データの用意しやすさ／PoCでの評価指標
- 技術方式（ルールベース・教師あり・教師なし異常検知）の違いと、公式サイトで実在を確認できた製品は姉妹記事「外観検査AI比較2026」に集約し、本記事では要点のみに絞って紹介します
- 価格の目安・相場は書きません。費用感は、欠陥定義を揃えたうえで複数社から取得する正式見積もりで比較することを推奨します
- 中小企業省力化投資補助金のカタログに2026年4月23日「AI外観検査用画像処理システム」が追加された一方、公式PDFで確認した2026年9月4日時点の登録製品数は0件という事実を踏まえた進め方を紹介します
本記事は「どの製品が優れているか」の断定を避け、公式サイト・公募要領の原文で確認できた事実だけを整理する方針です。補助金の補助率・補助上限額・製品カタログの登録状況は変更されるため、必ず各公式サイトで最新情報をご確認ください。
選定基準1：検査対象と欠陥（不良）の定義を最初に決める
外観検査AIの選定でもっとも見落とされやすいのが、「何を不良とするか」を数値・画像サンプルで具体化する作業です。ここが曖昧なまま複数社にデモを依頼すると、各社が独自の基準で「検出できました」と回答するため、横並びでの比較ができません。
| 欠陥（不良）の種類の例 | 定義するときのポイント | 検出の考え方 |
|---|
| 傷・打痕・へこみ | 深さ・長さ・許容個数の閾値を数値で決める | 表面のコントラスト変化として検出。照明条件の影響を強く受ける |
| 汚れ・シミ・変色 | 面積・濃度・発生位置で許容範囲を決める | 色・輝度のばらつきとして検出。背景色との差で精度が変わる |
| 異物混入 | 異物の種類（毛髪・金属片・樹脂片等）ごとに許容基準を決める | 形状・色が製品と大きく異なるほど検出しやすい |
| 寸法・形状不良 | 公差（許容誤差）を図面レベルで明確にする | 画像処理での輪郭検出、または3D計測が必要になる場合がある |
| 印字・ラベルの欠落・ズレ | OCR（文字認識）で読むべき項目と許容誤差を決める | 印字の種類・コントラストによって読み取り精度が変わる |
この作業を先に行うことで、「ルールベースで閾値設計できる不良か」「AIによる学習が必要な不良か」の見当がつき、次章の撮像条件・学習データの検討にそのまま接続できます。
不良品サンプルはどう集めるか
不良品サンプルが十分にある現場は少数派です。実際のライン不良品を保管する運用に切り替える、意図的に不良を再現する（傷をつける・異物を混入させる等）、良品画像を加工して疑似的な不良画像を作る、といった方法が現場では組み合わされます。どの方法で集めたサンプルかは、ベンダーに見積もりを依頼する際に必ず伝えてください。サンプルの集めやすさによって、次章で説明する「教師あり型」と「教師なし異常検知型」のどちらが向くかが変わります。
選定基準2：撮像条件（カメラ・照明・タクト）を決める
外観検査AIの精度は、AIモデルそのものよりも「どう撮影するか」で決まる部分が大きいとされています。欠陥の定義ができたら、次は撮像条件を検討します。
| カメラの種類 | 向いている検査対象 | 留意点 |
|---|
| エリアカメラ（2Dエリアスキャン） | 静止または低速で流れる製品全体の外観検査 | 視野内の解像度が確保できるかを事前に確認する |
| ラインカメラ（1Dラインスキャン） | 連続して流れるシート状・帯状の製品（フィルム・金属板等） | ライン速度に同期した撮像タイミングの設計が必要 |
| 3Dカメラ（ステレオ・パターン投影等） | 寸法・形状も同時に検査したい対象 | 2Dより情報量が多い分、処理時間とコストが増える傾向 |
撮像条件の検討では、カメラの種類だけでなく「照明設計」と「タクト（検査速度）」を必ずセットで確認してください。
照明設計の考え方
検査対象の反射特性（金属光沢・透明・つや消し・光沢紙等）によって、適した照明方式は変わります。同軸落射照明、リング照明、バックライト（透過照明）などを、検出したい欠陥の見え方に合わせて選定します。照明条件が現場の外光や振動で変動すると、AIの学習時と稼働後で画像の傾向がずれ、精度が落ちる原因になります。デモ・PoCの段階から、実際に設置する場所の照明環境で撮影したサンプルを使うことが重要です。
タクト（検査速度）の確認
既存ラインの生産速度（個/分・m/分）に対して、検査の撮像・AI推論・判定・排除の一連の処理が追いつくかを確認します。ここが不足すると検査工程がボトルネックになり、ライン全体の生産性を落とす原因になります。ベンダーへの見積もり依頼時は、自社ラインの実際の速度を数値で伝え、その速度での実機デモを依頼してください。
選定基準3：学習データの用意しやすさで方式を絞り込む
外観検査AI（検品AI）の技術方式は、大きくルールベース型・教師ありディープラーニング型・教師なし異常検知型（良品学習型）に分かれます。方式の技術的な違いは姉妹記事「外観検査AI比較2026」の比較表に譲り、本記事では「自社はどの学習データを用意できるか」という選定の入口に絞って整理します。
| 学習データの準備方式 | 必要になるデータ | 向いている現場 |
|---|
| ルールベース（学習データ不要） | 基本的に不要。閾値・パラメータの人手設計が中心 | 不良パターンが単純・均一で、照明条件が安定している現場 |
| 教師ありディープラーニング | 良品・不良品の両方の画像を一定量収集し、ラベリング（正解タグ付け）する | 不良パターンが多様で、不良品サンプルを十分に用意できる現場 |
| 教師なし異常検知（良品学習型） | 良品画像が中心。不良品サンプルが少量、またはほぼ無くても着手できる | 不良品サンプルが少ない・新製品ラインで実績データがない現場 |
教師なし異常検知型のアプローチを採る製品の例として、株式会社アダコテックは公式サイトで「GPU不要・少数サンプルで動く外観検査AI」「良品学習AI」と説明しています（公式サイトより）。良品データを中心に学習を始められる製品を選べば、不良品サンプルが集まるまで導入を待つ必要がなくなります。ただし公式サイトに価格の記載はなく、正式な見積もりが必要です。技術方式ごとに実在を確認できた製品の一覧・詳しい比較は外観検査AI比較2026で紹介しています。
製品比較・技術方式の詳細は姉妹記事に集約しています
本記事は選定の手順（検査対象の定義・撮像条件・学習データ・PoC）に絞っているため、技術方式の詳しい比較表と、公式サイトで実在を確認できた製品（提供会社・製品名・主な検査対象・技術方式）は、重複を避けるために姉妹記事にまとめています。
本記事ではこのあと、選定を進めるうえで欠かせないPoC（実証実験）の進め方と、公式に確認できる補助金の補助率・補助上限額を解説します。
選定基準4：複数社に同一条件でPoC（実証実験）を依頼する
検査対象・撮像条件・学習データの方向性が固まったら、候補となる複数社に同一の欠陥定義・同一の検査対象サンプルを提示してPoC（実証実験、デモ検証）を依頼します。ここで条件を揃えないと、各社が異なる基準で「検出できました」と報告するため、精度を横並びで比較できません。
| PoCで確認する評価指標 | 確認する内容 |
|---|
| 検出率（見逃し率） | 用意した不良品サンプルのうち、正しく不良と判定できた割合 |
| 誤検知率（過検出率） | 良品を誤って不良と判定してしまう割合。高すぎると現場のライン停止が増える |
| 処理速度・タクトへの追随 | 自社ラインの実速度で、撮像から判定までが間に合うか |
| 再学習・追加学習のしやすさ | 新しい不良パターンが出たとき、自社側で追加学習できるか、ベンダー対応が必要か |
| 既存設備・ラインへの組み込みやすさ | 既存の搬送設備・PLC・MES等との接続方法と工数 |
見積もりは、AIソフトウェア費・カメラ等ハードウェア費・SIer（システムインテグレーター）構築費・学習データ構築費・保守費を項目別に分けて取得してください。合算見積もりでは、補助金を利用する際の実績報告で経費区分の証明が難しくなります。
外観検査AI・検品AI導入で使える補助金2026：制度の公式値
外観検査AI・検品AIの導入で活用できる可能性がある国の主要制度を、公募要領・公式ポータルの原文から補助率・補助上限額だけを整理しました。数値は2026年9月15日時点の確認です。年度・締切回次によって変更されるため、申請前に必ず最新の公募要領をご確認ください。
省力化投資補助金カタログの「AI外観検査用画像処理システム」：登録製品数は2026年9月4日時点で0件
中小企業省力化投資補助金（カタログ注文型）の製品カタログに、2026年4月23日付で「AI外観検査用画像処理システム」という製品カテゴリが新設されたことを公式サイトの新着情報で確認しました。そのうえで、独立行政法人中小企業基盤整備機構が発行する製品カタログPDF（令和8年9月10日付）を実際にダウンロードして本文を確認したところ、当該カテゴリの登録製品数は「0件」（2026年9月4日時点）と明記されていました。
カテゴリの公式定義：「AI外観検査用画像処理システムとは、製造工程における目視検査をAI技術と画像処理技術により自動化・効率化する外観検査装置です。AIと画像処理機能を備えたインテリジェントカメラユニット（またはAI画像処理ユニット）、LED照明、レンズ、検査アプリケーション、検査装置などで構成され、製造工程内での異常検知や品質管理を効率化し、生産性向上に貢献します」（対象業種：製造業・卸売業／対象業務プロセス：検査）
個別の登録製品は中小企業省力化投資補助金の公式ポータルで随時更新されます（ポータルでの個別検索にはログインが必要で、本記事執筆時点で登録数が変わっている可能性があります）。導入を検討する時点で最新の登録状況を必ず確認してください。なお、カタログ登録カテゴリに該当する製品を「一般型（オーダーメイド審査あり）」で導入する場合も、公式サイトは「審査の際に考慮します」と説明しています。
| 制度名 | 対象経費の中心 | 補助率 | 補助上限額の目安 |
|---|
| デジタル化・AI導入補助金2026（旧：IT導入補助金）通常枠 | ソフトウェア購入費・クラウド利用料（最大2年分）が中心。カメラ等ハードウェアは対象外 | 1/2以内（要件を満たす場合2/3以内） | 5万円〜450万円（プロセス数による） |
| ものづくり補助金（製品・サービス高付加価値化枠） | カメラ・照明・PC・SIer構築費を含む設備投資一式 | 中小企業1/2、小規模企業・小規模事業者等2/3 | 750万円〜2,500万円（従業員規模による） |
| 中小企業省力化投資補助金（カタログ注文型） | カタログ登録済み製品（現時点で外観検査AIカテゴリは登録0件） | 1/2以下 | 200万円〜1,000万円（賃上げ達成で300万〜1,500万円） |
| 中小企業省力化投資補助金（一般型） | 個別現場に合わせたオーダーメイドの設備投資 | 中小企業1/2（特例2/3）、小規模企業・小規模事業者等2/3 | 750万円〜8,000万円（賃上げ達成で1,000万〜1億円） |
従業員規模ごとの詳細な補助上限額・特例要件は外観検査AI比較2026の補助金セクションで表にまとめています。使い分けの考え方はIT導入補助金と省力化投資補助金の比較ガイドもあわせてご覧ください。
選定から申請までの流れ
選定基準を整理したあと、補助金活用を含めた実務の流れは次の通りです。
1
検査対象・欠陥定義を整理する
本記事の選定基準1にそって、検出すべき不良の種類と許容基準を数値・画像サンプルで具体化する
2
撮像条件・学習データの方向性を決める
カメラ・照明・タクトの要件と、教師あり／教師なし異常検知のどちらが自社に向くかを見当づける
3
候補を複数社に絞り、同一条件でPoCを依頼する
姉妹記事で実在を確認した製品等を候補に、同一サンプル・同一評価指標でデモ検証を依頼する
4
利用する補助金制度を選び、GビズIDを取得する
ソフトウェア中心かハードウェア一式かで制度を選び、電子申請に必要なGビズIDプライムを準備する
5
項目別見積もりをもとに応募申請・交付申請
AIソフト費・ハード費・SIer費・学習データ費に分けた見積もりで事業計画を作成し、電子申請システムで応募する
6
交付決定通知を受け取ってから発注・導入
交付決定前の発注・契約・支払いは補助対象外になるため、通知を待ってから発注し、実績報告書類を保管する
申請書類の作成そのものを専門家に依頼したい場合は補助金申請フローの完全ガイド、事業計画書の書き方は事業計画書の作成ガイド、交付決定後の実績報告は省力化投資補助金の実績報告ガイドもあわせてご覧ください。
導入前確認チェックリスト
「おすすめ」を探す前に、自社側で整理しておくべき項目をまとめました。
- 検査対象製品の種類・サイズ・素材・表面状態を整理した
- 検出すべき不良の種類と許容基準を数値・画像サンプルで具体化した
- 不良品サンプルがどれだけ集まるか（量・多様性）を把握した
- カメラの種類（エリア／ライン／3D）と設置場所の見当をつけた
- 検査対象の反射特性に合わせた照明方式を検討した
- 既存ラインの速度（個/分・m/min）を数値で把握した
- 教師あり型か教師なし異常検知型か、方式の方向性を決めた
- 複数社に同一の欠陥定義・同一サンプルでPoCを依頼した
- 見積書をAIソフト費・ハード費・SIer費・学習データ費に分けて取得した
- 利用する補助金制度を選定し、GビズIDプライムを取得した
- 省力化投資補助金カタログの最新の登録状況を公式ポータルで確認した
- 交付決定前に発注しない計画になっていることを確認した
選定でよくある失敗と対策
外観検査AI・検品AIの選定でよく起きる失敗と、その対策を整理しました。
| よくある失敗 | 対策 |
|---|
| 欠陥の定義が曖昧なまま複数社にデモを依頼し、精度を横並びで比較できなかった | 欠陥の種類・許容基準を数値と画像サンプルで先に具体化してから依頼する |
| 各社が異なる照明条件・サンプルでデモを行い、結果の比較ができなかった | 同一の欠陥定義・同一の検査対象サンプルを用意し、実際の設置環境に近い条件でPoCを依頼する |
| 不良品サンプルが少ないまま教師あり型を選び、学習が進まなかった | 教師なし異常検知型（良品学習型）を選択肢に入れ、良品データを中心に立ち上げる方法を検討する |
| 省力化投資補助金のカタログに製品が登録されている前提で計画を進めてしまった | 導入直前に公式ポータルで登録状況を確認し、未登録なら一般型（オーダーメイド審査あり）も検討する |
| 見積書が一式合算で、補助対象経費の区分ができなかった | 発注前にAIソフト費・ハード費・SIer費・学習データ費を項目別に見積もってもらう |
| 交付決定前に発注してしまい、補助対象外になった | 公募スケジュールを確認し、交付決定通知を受け取ってから発注する |
本記事は「選び方」の手順に絞って解説しました。製品の技術方式・実在確認済みの一覧・補助金の詳細表は、あわせて次の記事もご覧ください。
自社に合った専門家をお探しの方は専門家一覧、直近の公募スケジュールは補助金の公募スケジュール一覧もあわせてご確認ください。
出典・参考情報
最終更新日: 2026年9月15日。補助率・補助上限額・製品カタログの登録状況は変更される場合があります。必ず各公式サイトで最新情報をご確認ください。本記事は特定製品の性能・精度・価格を保証するものではありません。
補助金の申請・手続きを専門家に任せる
補助金は申請書類の作成や事業計画の策定に専門知識が必要です。採択率を高めたい方は、申請代行・申請サポートの専門家への相談も有効です。
