工場・FA現場にAIを導入するには？画像検査・振動・音声処理・ローカルLLMまで実装のポイントを解説

工場へのAI導入は「AIを入れること」が目的ではない

近年、製造業やFA現場でもAI導入の相談が増えています。

画像検査の自動化、設備異常の検知、振動データによる予兆保全、異音検知、作業記録の自動化、過去トラブルの検索支援など、AIを活用できる領域は広がっています。

しかし、工場にAIを導入する際に重要なのは、単に「AIシステムを入れること」ではありません。

本当に重要なのは、次の3点です。

現場のどの課題をAIで解決するのか
AIが判断できる品質のデータを集められるのか
工場のネットワークや設備と安全に連携できるのか

AIは万能ではありません。特に製造現場では、照明条件、粉じん、油分、振動、騒音、温度変化、ワークの個体差など、現場特有のノイズが多く存在します。

そのため、AI導入では「モデルの精度」だけではなく、カメラ・照明・センサー・PLC・既存設備・ネットワーク・運用ルールまで含めて設計する必要があります。

工場・FA現場でAIが使われる主な領域

工場でAIを導入する場合、代表的な活用領域は次のようなものです。

領域	主な用途
画像処理AI	外観検査、キズ検査、異物検出、寸法検査、欠陥分類
振動解析AI	モータ、ポンプ、ベアリング、搬送装置などの異常検知
音声・音響AI	異音検知、打音検査、設備の異常音検出
センサーデータAI	温度、圧力、電流、変位、荷重などの異常検知
ローカルLLM	作業手順書検索、トラブル対応支援、保全履歴検索、社内ナレッジ活用
予兆保全AI	故障前の傾向検知、メンテナンス時期の最適化

特に画像処理AIは、目視検査の代替や既存画像処理の精度向上に使われるケースが多くあります。

従来のルールベース画像処理では、照明変化や背景ノイズ、ワークのばらつきに弱く、過検出や見逃しが発生しやすい場合があります。AIを活用することで、従来の画像処理では判定が難しかった微細な欠陥や、不規則な異常を検出しやすくなります。

ソフテックでも、メタルマスク検査や鉄道インフラ検査など、現場環境に合わせた異常検知AIの実装事例を紹介しています。特にメタルマスク検査では、微細なバリやホコリの区別が難しく過検出が多発する課題に対し、AIモデルで特徴を学習し、虚報率の低減を図る参考としてご利用ください。
異常検知AIについて

AI導入で精度が95%から99%以上に上がるケースもある

AI導入によって、従来の検査精度が大きく改善するケースがあります。

例えば、従来の画像処理、振動処理、音声処理では検査精度が95%前後だったものが、AIを組み合わせることで99%以上まで向上することがあります。

ただし、ここで注意しなければならないのは、「精度99%」という数字だけを見て判断してはいけないということです。

製造現場では、単純な正解率よりも次の指標が重要になります。

指標	意味
見逃し率	本当は不良なのに良品と判定してしまう割合
過検出率	本当は良品なのに不良と判定してしまう割合
再検査率	AI判定後に人の確認が必要になる割合
タクトタイム	1個あたりの検査時間
現場停止リスク	AIの誤判定でラインを止めてしまうリスク

特に重要なのは、見逃し率と過検出率のバランスです。

不良品を絶対に流出させたくない工程では、多少の過検出を許容してでも見逃しを抑える必要があります。一方で、過検出が多すぎると再検査工数が増え、現場では使われなくなります。

そのため、AI導入では「精度が何%か」だけでなく、現場で許容できる判定基準をどこに置くかを最初に決める必要があります。

工場にAIを入れる場合、イントラネット・閉域網への対応が重要

工場やFA現場にAIを導入する際、多くの場合で課題になるのがネットワークです。

一般的なクラウドAIサービスは、インターネット接続を前提にしています。しかし、製造現場では次のような理由から、外部クラウドに接続できない、または接続しにくいケースがあります。

生産設備がイントラネット内で運用されている
外部ネットワーク接続が禁止されている
製品画像や検査データを外部に出せない
顧客や取引先との秘密保持契約がある
工場のセキュリティポリシー上、クラウド利用が難しい
ライン停止リスクを避けるため、外部通信に依存したくない

このような場合は、ローカル環境で動くAIシステムを構築する必要があります。

画像検査AIであれば、工場内のPCやエッジ端末、GPU搭載PCなどで推論を行います。振動解析や音声解析でも、センサーから取得したデータを工場内サーバーやローカルPCで処理する構成が考えられます。

また、生成AIやLLMを使う場合も、社内文書や保全履歴、作業手順書、トラブル対応記録を外部クラウドに送れない場合があります。その場合は、ローカルLLMやオンプレミス型のAI検索システムを検討する必要があります。

ローカルLLMは何に使えるのか

工場でローカルLLMを使う場合、画像検査そのものをLLMに任せるというより、現場の情報検索や判断支援に使うのが現実的です。

例えば、次のような用途です。

用途	内容
作業手順書の検索	「このエラーが出たときの対応は？」と聞くと該当手順を提示
保全履歴の検索	過去に同じ異常が発生した設備や対応履歴を検索
トラブル対応支援	アラーム内容、センサー値、過去事例から原因候補を提示
検査結果の説明	AIがNG判定した理由や確認ポイントを作業者向けに表示
技術継承	熟練者のノウハウを検索可能な形で蓄積
日報・報告書作成	検査ログや保全記録から報告書の下書きを作成

ただし、LLMはあくまで言語処理に強いAIです。

画像、振動、音声の判定には、それぞれ専用のAIモデルを使い、LLMはその結果を人に分かりやすく説明したり、関連する社内文書を検索したりする役割に分けるのが現実的です。

つまり、工場AIでは以下のような役割分担が重要です。

AIの種類	役割
画像AI	キズ、異物、欠陥、形状異常を検出
振動AI	設備の異常振動、劣化傾向を検出
音声AI	異音、打音、摩耗音、衝撃音を検出
ローカルLLM	手順書検索、保全履歴検索、作業者支援
制御システム	PLC、装置、アラーム、ライン停止処理と連携

AIを単体で考えるのではなく、検査・制御・現場オペレーション全体の中にどう組み込むかが重要です。

AIは日々学習させれば良くなるとは限らない

AI導入でよくある誤解が、「AIは日々データを学習させれば、どんどん賢くなる」というものです。

実際には、そうとは限りません。

むしろ、現場データをそのまま学習させ続けると、AIの精度が悪化することがほとんどです。

例えば、画像検査では次のような問題が起こります。

レンズにホコリが付いた画像を正常データとして学習してしまう
照明が劣化した状態を正常として覚えてしまう
本来は異常である微細なキズを良品として学習してしまう
カメラ位置のズレを正しい状態として覚えてしまう
ワークの汚れや油分を通常状態として扱ってしまう

音声検査でも同じです。

たまたま入った周囲の作業音を正常音として学習してしまう
エアブローや搬送音の変化を誤って正常データに含めてしまう
設備の劣化音を日常音として覚えてしまう
マイク位置のズレによる音質変化を学習してしまう

振動データでも、設備の摩耗が進んでいる状態を正常データとして学習してしまうと、AIが異常を異常として検出できなくなる可能性があります。

つまり、AIは「学習すればするほど良くなる」のではなく、正しいデータを学習したときだけ良くなるのです。

AI導入で最も重要なのはデータクレンジング

工場AIで最も重要なのは、モデルそのものよりも、データクレンジングです。

データクレンジングとは、AIに学習させる前に、不要なデータ、誤ったデータ、ノイズを含むデータ、異常値を整理する作業です。

例えば、画像処理AIでは次のような確認が必要です。

確認項目	内容
ピント	画像がぼけていないか
照明	明るさや反射条件が安定しているか
カメラ位置	撮像位置がズレていないか
ホコリ・汚れ	レンズや治具に異物が付いていないか
ラベル	良品・不良品の分類が正しいか
重複データ	同じ条件の画像に偏っていないか
境界品	良品と不良品の判断が曖昧なものをどう扱うか

音声処理AIでは、周囲の騒音、マイク位置、録音条件、設備の運転条件を整理する必要があります。

振動処理AIでは、回転数、荷重、温度、運転モード、センサー固定状態などをそろえなければ、正しい異常検知が難しくなります。

データクレンジングを行わずにAIを学習させると、AIは現場のノイズまで正しい特徴として覚えてしまいます。

その結果、導入直後は高精度だったAIが、運用を続けるうちに徐々に精度を落としてしまうことがあります。

追加学習を行う場合の注意点

AIを現場で運用する場合、追加学習や再学習は重要です。

ただし、現場データを自動的にすべて学習させる運用は危険です。

追加学習を行う場合は、最低限、次の仕組みが必要です。

学習用データと本番判定用データを分ける
追加学習前にデータを人が確認する
ホコリ、照明変化、異音混入などのノイズを除外する
再学習後は過去の検証データで精度を再評価する
新しいモデルと古いモデルを比較する
精度が悪化した場合に元のモデルへ戻せるようにする
いつ、どのデータで、誰が更新したかを記録する

特に重要なのは、本番モデルを勝手に更新しないことです。

現場で使っているAIモデルは、品質判定や設備停止判断に関わる場合があります。そのため、日々のデータをそのまま自動学習して本番に反映すると、知らないうちに判定基準が変わってしまうリスクがあります。

AIの品質管理では、設計・開発・利用・評価まで含めてリスクを管理する考え方が重要です。NISTのAI Risk Management Frameworkでも、AIシステムの信頼性や評価、リスク管理をライフサイクル全体で扱う考え方が示されています。

また、日本でも経済産業省がAI事業者ガイドライン第1.2版を公表しており、AIを活用する事業者に向けた実務上の手引きやチェックリストが整備されています。

工場AIでも、こうした考え方を踏まえ、AIを「作って終わり」ではなく、運用しながら品質を管理する仕組みとして設計する必要があります。

工場AI導入の基本ステップ

工場やFA現場でAIを導入する場合、次の流れで進めるのが現実的です。

1. 課題を明確にする

まず、「何をAIで解決したいのか」を明確にします。

例えば、次のような課題です。

目視検査のばらつきを減らしたい
微細なキズや欠陥を見逃したくない
過検出を減らして再検査工数を削減したい
設備の異常を早期に検知したい
異音や振動から故障の兆候を見つけたい
作業者が過去のトラブル事例をすぐ探せるようにしたい

この段階で、AI化の目的を「省人化」「品質向上」「見逃し削減」「タクト短縮」「技能継承」などに分けて整理します。

2. 現場データを確認する

次に、AIに使えるデータがあるかを確認します。

画像検査であれば、良品画像、不良品画像、境界品画像、撮像条件を確認します。

振動解析であれば、正常時の振動データ、異常時のデータ、運転条件、センサー位置を確認します。

音声解析であれば、正常音、異常音、周囲騒音、マイク位置、録音条件を確認します。

ローカルLLMであれば、作業手順書、保全履歴、トラブル報告書、設備マニュアルなどの文書データを確認します。

3. AI化に向く課題かを判断する

すべての課題がAIに向いているわけではありません。

例えば、明確な寸法基準があり、従来の画像処理で十分に判定できるものは、必ずしもAI化する必要はありません。

一方で、次のような課題はAIと相性が良いです。

不良の形が毎回少しずつ違う
熟練者なら分かるが、ルール化しにくい
背景ノイズや照明変化がある
画像処理の閾値調整が頻繁に必要
正常時と異常時の波形差が微妙
異常音を人の耳で判断している
過去の保全記録やノウハウが属人化している

4. 小さく検証する

最初からライン全体にAIを入れるのではなく、まずは限定した工程や対象物で検証します。

例えば、画像検査であれば数十枚から数百枚の画像を使い、AIが判定できる可能性があるかを確認します。

このように、初期検証で「AIに向いているか」「どの程度の精度が出るか」「現場で使えるか」を確認してから本格導入に進むことが重要です。

5. 現場設備と連携する

AIの検証で精度が出ても、現場に入れるには設備連携が必要です。

例えば、画像検査AIでは、カメラ、照明、ステージ、搬送装置、PLC、検査結果表示、NG排出機構などとの連携が必要になります。

振動や音声のAIでは、センサー、アンプ、データ収集装置、設備制御、アラーム、保全システムとの連携が必要です。

AIだけを作っても、現場の設備とつながらなければ運用できません。

だからこそ、工場AIではソフトウェアだけでなく、ハードウェアと制御を含めた実装力が重要になります。

弊社は、画像処理AIだけでなく、モーション制御や検査装置、ハードウェア連動まで含めたシステムインテグレーションを強みとしており、多くの現場でAIを導入した試験や検査を行っております。
※場合によってはAI導入を推奨しない場合もございますのでお気軽にお問い合わせください。

AI導入で失敗しやすいパターン

工場AIでよくある失敗には、次のようなものがあります。

失敗パターン	原因
PoCでは高精度だったが現場で使えない	撮像環境や運転条件が実ラインと違う
過検出が多すぎる	良品ばらつきや環境変化を学習できていない
見逃しが発生する	不良データが少ない、境界品の定義が曖昧
精度が徐々に悪化する	汚れや環境変化を正常データとして追加学習している
現場作業者が使わない	判定理由が分からない、操作が面倒
工場ネットワークに接続できない	クラウド前提で設計してしまった
保守できない	モデル更新やログ管理の仕組みがない

特に多いのは、PoC段階ではうまくいったのに、現場に入れた途端に精度が落ちるケースです。

これは、開発時のデータと実際の現場データが違うためです。

AI導入では、実際のラインに近い条件でデータを取り、現場のノイズを含めて検証する必要があります。

工場AI導入で確認すべきチェックリスト

AI導入前には、少なくとも次の項目を確認することをおすすめします。

項目	確認内容
対象工程	どの工程にAIを入れるのか
判定対象	キズ、汚れ、異音、振動異常など何を検出するのか
良品・不良品の定義	境界品をどう扱うのか
必要精度	見逃し率、過検出率、再検査率の許容値
データ量	良品・不良品・異常時データがどれだけあるか
データ品質	ホコリ、照明変化、ノイズ、ラベルミスがないか
設備連携	PLC、カメラ、センサー、既存システムとの接続
ネットワーク	クラウド可否、イントラ接続、ローカル環境
運用体制	誰がデータ確認・再学習・判定基準管理を行うか
保守体制	モデル更新、ログ確認、トラブル対応の方法
セキュリティ	データ持ち出し、外部通信、アクセス権限
導入効果	工数削減、品質向上、歩留まり改善、設備停止削減

このチェックリストを事前に整理することで、AI導入後のトラブルを減らすことができます。

工場AIは「現場を知っている会社」に相談すべき

工場やFA現場へのAI導入では、AIモデルの開発力だけでは不十分です。

現場で本当に使えるAIにするには、次のような知識が必要です。

検査対象に合ったカメラ・レンズ・照明の選定
センサーの取り付け位置やデータ取得条件
PLCや既存設備との連携
タクトタイムを考慮した推論速度
現場作業者が使えるUI
異常時のアラームやライン停止条件
工場ネットワークやセキュリティへの対応
運用後のデータ管理と再学習ルール

AIはソフトウェアですが、工場で使うAIは、ハードウェア、制御、設備、作業者、運用ルールと一体で考える必要があります。

特に、画像検査・振動解析・音声解析のように、現場データを扱うAIでは、データ取得の段階で結果が大きく変わります。

そのため、工場AIの導入では、AIだけでなく、検査装置・制御・センサー・現場実装まで理解しているパートナーに相談することが重要です。

まとめ：工場AI導入の成功は、データと現場実装で決まる

工場やFA現場にAIを導入することで、画像検査、振動解析、音声解析、予兆保全、作業支援など、さまざまな業務の精度向上や省人化が期待できます。

一方で、AIは導入すれば自動的に賢くなるものではありません。

特に、日々のデータをそのまま学習させ続けると、ホコリ、汚れ、照明変化、異音、設備劣化などを正常データとして覚えてしまい、かえって精度が悪くなることがあります。

工場AIで重要なのは、次の5つです。

解決したい現場課題を明確にする
良質なデータを集める
データクレンジングを徹底する
イントラネットやローカル環境に対応する
運用後の再学習・精度管理まで設計する

AI導入は、PoCで終わらせるものではありません。

現場で長く安定して使うためには、AIモデル、データ、設備連携、ネットワーク、運用体制まで含めた設計が必要です。

工場・FA現場へのAI導入をご検討中の方へ

ソフテックでは、画像検査AI、異常検知AI、検査装置、制御システムの知見を活かし、現場環境に合わせたAI導入を支援しています。

既存の画像処理で過検出が多い
目視検査のばらつきを減らしたい
振動や音から設備異常を検知したい
工場内のイントラネット環境でAIを使いたい
ローカルLLMで手順書や保全履歴を活用したい
AI導入前に、自社データで精度検証したい

このような課題がある場合は、まずは初期検証からご相談ください。

自社の検査対象や設備データでAI化できるかを確認したい方は、資料ダウンロードまたは技術相談フォームよりお問い合わせください。

FAQ

Q. 工場にAIを導入するには、まず何から始めるべきですか？

まずは、AIで解決したい課題を明確にすることです。目視検査の省人化、過検出の削減、設備異常の予兆検知、異音検知など、対象を絞ってからデータを確認します。

Q. AI導入には大量の不良データが必要ですか？

必ずしも大量の不良データが必要とは限りません。良品データを中心に学習し、正常状態から外れたものを異常として検知するアノマリー検知の手法もあります。ただし、検査対象や求める精度によって必要なデータ量は変わります。

Q. 工場のネットワークが外部インターネットにつながっていなくてもAIは使えますか？

使えるケースは多いです。クラウドではなく、工場内PC、エッジ端末、オンプレミスサーバーなどでAIを動かす構成にすれば、イントラネットや閉域網でも運用できます。

Q. ローカルLLMは工場で何に使えますか？

作業手順書の検索、保全履歴の検索、トラブル対応支援、検査結果の説明、報告書作成支援などに使えます。画像検査や振動解析は専用AIで行い、LLMは作業者支援や情報検索に使うのが現実的です。

Q. AIは日々学習させれば精度が上がりますか？

必ずしも上がりません。ホコリ、照明変化、異音、設備劣化などを正常データとして学習してしまうと、逆に精度が悪化することがあります。追加学習にはデータクレンジングと再評価が必要です。