予知保全・外観検査のAI活用

A-SEI-11｜初版 2026-08-04｜改訂 2026-08-04

研究の問い: 製造・生産部門で実際に動いているAIは、具体的に何ができて、何ができないのか。

前稿（A-SEI-10）で見たとおり、製造・生産部門のAI導入率34.9%のうち、画像認識AI（外観検査等）は導入済み企業の11.2%、異常検知AI（設備保全等）は4.3%にとどまります[1]。少数派とはいえ、実際に動いている事例は存在します。本稿は外観検査AIをベンダー公式解説から、予知保全AIを経済産業省の実証事業の実例から、それぞれ「できること/できないこと」を整理します。

外観検査AI——できること/できないこと

画像処理機器メーカーのキーエンスは、自社の技術解説サイトで従来の汎用画像センサとAI画像処理の違いを次のように整理しています[2]。

	汎用画像センサ	AI画像処理
判定方法	面積・色の濃さ・幅等を数値化し閾値で判定	事前の学習データに基づいて判定
得意なこと	NG判定時に数値的根拠を示せる	人による官能検査に近い、閾値が曖昧な検査ができる
苦手なこと	閾値が曖昧な検査ができない	NG判定時に数値的な根拠を示せない

キーエンスはAIが得意な検査として、①接着剤塗布後の外観検査のようにOK/NGの線引きが人の感覚に近い場合、②アルミダイカスト品の鋳巣検査のように形状が複雑で領域設定が大変な場合、③金属部品の打痕検査のように良品側にばらつきがありNGを事前に想定しにくい場合、④樹脂部品のキズ検査のように品種が多く個別登録に時間がかかる場合の4パターンを挙げています[2]。学習に必要な画像の枚数は、カメラ側で位置補正・前処理をかけない場合は1,000枚規模が必要になる例に対し、位置補正・前処理を組み合わせると20枚規模まで圧縮できるとしています[2]——枚数そのものより、撮影条件の統一・前処理の質が精度を左右するという点は、当研究室の他業種セクションでも繰り返し確認してきた注意点と一致します。

同社は「AIは人間のように勝手に学習して賢くなっていく」「AIを使えば100%の精度で不良品を判別できる」という理解は誤解だと明記しています[2]。判定ルール生成には人間が選んだOK/NG画像データが必要で、そこにない状況の判断は苦手なままです。

予知保全AI——経済産業省の実証事業から

予知保全（Predictive Maintenance）は、設備に取り付けたセンサーのデータをAIが解析し、故障の予兆を早期に検知する技術です。経済産業省は令和3年度（2021年度）に「AI人材連携による中小企業課題解決促進事業（AI Quest）」を実施し、AI人材と中小企業が協働して実課題を解くプログラムのテーマの一つに「機械・設備の予知保全」を設定しました[3]。同事業の報告書に掲載された協働先企業一覧には、みつわポンプ製作所（三重県・ポンプ製造業）が予知保全テーマ（PBL06）の協働企業として記載されています[3]。同テーマは振動・音響データを用いた分類モデルの構築（振動データの前処理、振動・音響データを用いた正常・異常の判定）を扱うもので、対象機械の振動・音響センサーデータをもとに正常・異常予兆判定を行うAIモデルの構築が実施内容として明記されています[3]。中小規模のポンプ製造業でも、公的な人材連携プログラムを通じてAIモデル構築に取り組めることを示す実例です。

中小製造業が最初に着手する順番

AI導入支援を手がける株式会社Uravationは、自社の企業向けAI研修・導入支援の経験をもとに、製造業のAI活用を「品質管理AI（外観検査）」「予知保全AI」「生産計画・在庫最適化AI」の3領域に整理し、ROI回収の目安を示しています[4]。以下は同社の整理で、具体的な数字は同社の支援実績・想定シナリオに基づく【推定】であり、当研究室が独自に検証したものではない点に注意してください。

領域	中小製造業の導入難易度【推定】	ROI回収目安【推定】
品質管理AI（外観検査）	中程度	1〜2年
予知保全AI	やや高い	1〜2年
生産計画・在庫最適化AI	比較的易しい	6ヶ月〜1年

同社は中小製造業向けの段階的ロードマップとして、フェーズ1（0〜3か月・データ可視化とPoC、費用目安50万〜300万円）→フェーズ2（4〜12か月・パイロット本番化、費用目安300万〜1,500万円）→フェーズ3（13〜36か月・全社横展開）という3段階を提案しています[4]。フェーズ1・2の費用の一部はデジタル化・AI導入補助金2026（A-SEI-09）やものづくり補助金の対象になり得ます。

失敗しないための注意点

キーエンスは、ベンダーのデモ画面の精度をそのまま自社ラインに当てはめて期待しないこと、学習データの撮影条件（照明・角度・カメラ設定）を統一しないまま枚数だけを増やしても精度が出ないことを指摘しています[2]。AI導入を検討する際は、自社の実物サンプルでの検証（PoC）を契約条件に含めることが、当研究室が他業種セクションで確認してきた失敗パターン（ベンダーの理想条件のデモをそのまま信じる）を避ける実務的な手段です。

視座ステージ診断（無料・約7分・登録不要）— いま何を見て働いているかを20問で確かめる →

出典

独立行政法人中小企業基盤整備機構「中小企業のAI等の利活用に係る実態調査」（2026年3月）——導入済み企業が利用するAIサービスの内訳（画像認識AI11.2%・異常検知AI4.3%）。smrj.go.jp（PDF）
キーエンス「AI外観検査」画像処理.com——汎用画像センサとAI画像処理の違い、AIが得意な検査の4パターン、学習画像枚数と前処理の関係、AI外観検査に関するよくある誤解。keyence.co.jp
経済産業省「令和3年度AI人材連携による中小企業課題解決促進事業」報告書——予知保全テーマ（PBL06）の教材内容、協働先企業一覧（みつわポンプ製作所・三重県・製造業〔ポンプ〕を含む25社）。meti.go.jp（PDF）
株式会社Uravation「製造業DX×AI完全ガイド【2026】」（2026年5月4日公開・2026年6月6日更新）——製造業AI活用の3大領域整理、ROI回収目安、段階的導入ロードマップ、想定シナリオに基づくROI試算。同社は経済産業省・NEDO「スマートマニュファクチャリング構築ガイドライン」（2024年6月策定）を参照元として明記。uravation.com

最終更新: 2026-08-04｜参照した一次情報: 4件｜本記事の推定値には【推定】を明記しています｜実在しない事例・生成された体験談は掲載していません｜誤りのご指摘はお問い合わせへ。

技能伝承クラスタの関連文書

【完全ガイド】製造業の技能伝承——7つの方法の比較・費用・進め方・失敗パターン（A-SEI-P01）本稿の親記事。7手法の費用を含む全体像。
製造現場のAI導入率はなぜ34.9%と低いのか（A-SEI-10）画像認識・異常検知AIが少数派である背景となる統計。
デジタル化・AI導入補助金2026を製造現場で使う方法（A-SEI-09）本稿のAI導入費用を圧縮する制度の対象条件と申請の流れ。