要件定義シートの役割：検査仕様を人の頭から出す
外観検査AIの精度の大部分は、AIのモデルより前の段階で決まります。欠陥が画像に写らなければAIは検出できず、何を不良とするかが人によって違えば正解ラベルが揺れます。このシートは、その前提を25項目で書き出し、ベンダーへの見積依頼とPoC計画の土台にするためのものです。
外観検査AIの導入手順は、検査仕様の明文化、撮像系の検証、データ収集、手法の比較、閾値設計、並行運用、本稼働と再学習の運用設計の順で進みます。このシートは最初の2段階に当たります。全体の流れは外観検査AIのPoC設計で解説しています。
25項目の構成：5分野
| 分野 | 項目数 | 主な項目 | 主に記入する人 |
|---|---|---|---|
| A ワーク | 5 | 品番数、材質・色・表面状態、寸法、品種切替の頻度、ワークのばらつき | 生産技術 |
| B 欠陥 | 6 | 欠陥の種類、最小サイズ、限度見本、発生頻度、見逃し許容、良品の自然なばらつき | 品質保証 |
| C 撮像 | 6 | 検査面の数、搬送方法、位置決め精度、照明の候補、周辺環境（外光・振動・粉塵）、カメラ設置の制約 | 生産技術 |
| D タクトと処理 | 4 | タクト、1個あたりの撮像枚数、推論の場所、ネットワーク | 生産技術・情報システム |
| E 判定後の処理 | 4 | NG時の排出方法、人の再確認、結果の記録先（MES等）、再学習の担当 | 製造・品質保証・情報システム |
認識ずれが起きやすい項目と記入例
25項目のうち、発注側とベンダーで認識がずれやすい項目を抜き出し、塗装部品（樹脂製の外装部品）を例にした記入例を示します（架空の例です）。
| No. | 項目 | 記入例 | ずれが起きる理由 |
|---|---|---|---|
| A-5 | ワークのばらつき | 成形ロットにより色味がΔE 1.0程度変わる。表面のシボ（凹凸模様）あり | 良品のばらつきを伝えないと、色ムラやシボを異常と判定して過検出が増える |
| B-1 | 欠陥の種類 | ブツ（異物の付着）、タレ、ハジキ、キズの4種類。凹み・寸法不良は対象外 | 対象外を書かないと、ベンダーは全欠陥を検出する前提で見積る |
| B-2 | 最小の欠陥サイズ | ブツは直径0.3mm以上を不良。0.3mm未満は良品 | カメラの解像度と視野がここで決まる。欠陥が数ピクセル以上に写る必要がある |
| B-3 | 限度見本 | 品証の限度見本 QS-021 第3版（実物16点、写真付き） | 限度見本がないと、ラベル付けの基準が人によって変わる |
| B-5 | 見逃しの許容 | 客先指定の重要面は見逃し0。裏面は目視の二次検査あり | 見逃しをどこまで許すかで閾値と過検出率が決まる |
| C-2 | 搬送方法 | コンベア上を300mm/sで流れる。停止させての撮像は不可 | 停止できるかどうかで、カメラ・照明・露光の方式が変わる |
| C-5 | 周辺環境 | 窓からの外光あり。塗装ブースの近くで微粉が舞う | 外光と粉塵は照明の安定と、レンズの汚れによる精度低下の原因になる |
| D-1 | タクト | 8秒／個。ただし撮像と判定に使えるのは3秒 | タクト全体ではなく、検査に使える時間を書く |
| E-1 | NG時の排出 | 自動排出は不可。表示灯で知らせ、作業者がNG箱へ | 排出装置の有無で、PLC連携の範囲と費用が変わる |
| E-3 | 結果の記録先 | MESの検査実績にロットID・判定・画像ファイル名を登録 | 記録先を決めないと、流出時の追跡と再学習ができない |
記入のコツ：写真と実物を添える
要件定義シートは文字だけでは不十分です。シートには項目ごとに「添付資料」の欄があり、次のものを添えます。
- B-1・B-3：欠陥の種類ごとの写真（良品と並べたもの）と、限度見本の写真
- A-5：良品のばらつきを示す写真（色味の違う良品、シボの違う良品）
- C-1・C-6：検査面を示す図と、カメラを設置できる空間の寸法・写真
ベンダーに見積を依頼するときは、可能なら良品・不良品の実物サンプルを貸し出します。実物で撮像テストをすると、C分野の項目（照明の方式、検査面の数）が確定し、見積の幅が小さくなります。照明の選び方は外観検査AIの撮像・照明設計で解説しています。
よくある質問
品番が多い場合はどう書きますか？
品番ごとにシートを作るのではなく、ワークの材質・色・形状が近いものをグループにまとめ、グループごとにA分野とB分野を書きます。品種切替の頻度（A-4）と、新しい品番が追加されたときの対応は必ず書きます。品種追加のたびに再学習が必要になると、運用が回らなくなるためです。
欠陥の最小サイズが決まっていない場合は？
現場の検査員が実際に不良にしている最小のものを、限度見本や過去の不良品から測って決めます。決まらないままPoCを始めると、評価のたびに「これは不良か」の議論になります。品質保証部門と客先の要求を確認したうえで、数値で書きます。
このシートはRFPの代わりになりますか？
外観検査AIの技術要件としてはRFPの中心部分になりますが、予算、納期、保守条件、権利などは別に必要です。このシートをRFPの別紙として添付し、ベンダーへの質問はAIベンダーへの質問リスト60問で補います。
5分野25項目の記入シートと、塗装部品の記入例、添付資料のチェック欄つきです。
この記事に出てくる用語
外観検査AIの選び方
良品学習か不良学習か、撮像系を誰が持つか。精度の数字だけで選ばないための比較軸 全51本
- 外観検査AIとは？2つの学習方式と導入5ステップを製造現場の目線で解説
- 製造業のAI活用10領域：外観検査・予知保全から設計・技能伝承まで一覧
- 外観検査AI製品の比較軸10項目：学習方式・撮像系の範囲・エッジ対応・再学習の手間
- 自動車メーカーのAI活用：溶接・塗装検査から生産計画・フィジカルAIまで10用途
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
