Machine VisionとAI Visionの違い:工場に合う方式の選び方
Inspektionのエンジニアチーム · 公開 2026年11月18日 · 最終更新 2026年11月18日
検査・計数向けに画像処理ルールとAIモデルを比較。カメラ選び、準備する情報、設置前の試験を解説します。
画像:Inspektion要約
- Machine Visionは画像で検査や工程制御を行うシステムです。AI Visionはデータから学習したモデルで画像を解析する方法で、両者は組み合わせて使えます。
- 画像処理ルールやAIモデルを選ぶ前に、目的、照明、画像品質を確認します。
- 品質検査では不良の見逃しと良品の誤判定、計数では数え漏れと二重計数を測定する必要があります。
Machine VisionとAI Visionは組み合わせられる
Machine Visionはカメラ、レンズ、照明、ソフトウェア、工程への結果連携を組み合わせます。画像解析には、エッジ、形状、色の値などのルール、または事例から学習したAIモデルを利用でき、一つのシステムで両方式を併用できます。[1][2][3]
違いは画像の判定基準の決め方
| 確認する点 | 画像処理ルール | AIモデル |
|---|---|---|
| 準備 | エッジ、色、寸法などの特徴と基準を設定 | 学習方法に応じたサンプル画像とラベルを準備 |
| 最初に試験する用途 | 形状と撮影条件が安定し、基準を明確に説明できる用途 | 変動が大きく、ルールだけでは網羅しにくいパターン |
| 部品が変わったとき | ルールと設定値を見直す | 新しいデータを確認し、モデルを調整して再試験 |
| 共通して必要なもの | 対象が見える画像と基準となるテストセット | 対象が見える画像と基準となるテストセット |
この表は方式選びの出発点であり、一方が常に速い、または高精度という保証ではありません。どちらも実際の部品で試験が必要です。反射、遮蔽、ブレは撮影系でも対策してください。
現場で必要な結果から選ぶ
- 数量を知りたい場合:特定点を通過する部品か、画像内のすべての部品かを定義し、二重計数と数え漏れを確認します。
- 品質を知りたい場合:欠陥や必要な部品と、品質担当者が合意したOK/NG基準を定めます。
- 文字を読みたい場合:OCR評価前に文字形式、表面、読めないときの処理を定めます。
- 寸法を測りたい場合:許容誤差と校正を定めます。物体検出枠をそのまま測定器として扱わないでください。
カメラ内で処理する機種では、計数向けのCounter Camと、部品検査・OK/NG判定向けのInspection Camをご覧ください。ラベル読み取りはOCRサービスで紹介しています。複数カメラや排出機構が必要な場合はシステム設計からご相談ください。
購入前の評価に必要な準備
- 実際の画像・動画、部品種類、サイズ、色、許容・不許容の状態例
- ライン速度、部品間隔、設置場所、照明、停止・移動のタイミング
- 必要な出力、受信先システム、測定可能な受入基準
- 部品切替、結果確認、設置後の保守の担当者
範囲を明確にできる地点で試験を始め、結果を基準データと比較します。ラインを拡張する前に、不確かな結果への対応も合意してください。詳しくはVision CountingとAI Vision Inspectionをご覧ください。
よくある質問
AI VisionはルールベースのMachine Visionより常に優れていますか
必ずしもそうではありません。画像と基準が安定していればルールで十分な場合があります。AIという名称だけで選ばず、用途に応じた試験結果と保守要件を比較してください。
カメラを購入すればすぐに検査できますか
部品が明瞭に見えるよう設置し、ルールまたはモデルを選んで基準に照らして検証してください。カメラ本体だけで、どの部品も検査できると保証されるわけではありません。
AI利用にはクラウドへの画像送信が必要ですか
システム設計によります。Edge AIカメラは端末内で処理できますが、モデル学習や履歴保存は別システムの場合があります。プロジェクト開始時にデータ経路と権限を定義してください。
参考文献
- [1]
Cognex Deep Learning Documentation — Cognex (参照 2026-11-18)
- [2]
OpenCV Tutorials: Image Processing and Deep Neural Networks — OpenCV (参照 2026-11-18)
- [3]
Rule-Based vs. AI-Powered Machine Vision Tools — KEYENCE (参照 2026-11-18)






