【事例付】中小企業の製造現場で物体検知（YOLO）はどう活用できるか？自動検品の導入メリット

2026年3月5日

こんにちは、デジタルボーイです。普段はクライアントのAI開発、データ分析、中小企業コンサルを仕事としています。今回は、中小製造業の検品現場でAI物体検知（YOLO）がどう活用できるのかを、事例を交えて解説します。

記事を書いた人

デジタルボーイです。
データサイエンス歴20年以上のおっさんです（元SAS institute japan データサイエンティスト）。中小企業診断士として、AI開発、データサイエンス、WEBマーケティング、SEOに関するデータ分析、コンサルティング、補助金支援の仕事をしています。自己紹介の詳細はコチラ

はじめに ― 人手不足と品質維持、製造現場の二重課題

福岡・山口の中小製造業の多くは、下請け構造の中で事業を営んでいます。元請けからのコスト削減圧力は年々強まる一方で、品質基準の要求は上がり続けています。この「コストを下げろ、でも品質は落とすな」という矛盾した要求に、現場は日々さらされて苦労していますよね。。。

特に検品工程は、この矛盾が最も顕著に出る場所ではないでしょうか？目視検査には人手がかかりますが、検品のためだけに人員を増やす余裕はない。結果として、経営者自身が現場に立ち、家族総出で足りない工数を埋める。残業で何とかしのぐ。あるいは最低賃金ギリギリのアルバイトを雇い、十分な教育もできないまま検品ラインに入ってもらう・・・こうした光景は、この地域では珍しくありません。

とは言っても、この人海戦術には限界がありますよね。ベテランの目利きに依存した検品は属人的で、担当者が辞めれば品質が不安定になります。疲労や集中力の低下による見落としは、ヒューマンエラーとして常に存在します。そして元請けからのクレームが一度入れば、信頼回復には膨大なコストと時間がかかります。

こうした状況の中で、いま注目されているのが物体検知AI（YOLO）を活用した自動検品です！！

「AI検品」と聞くと、大手企業が数千万円をかけて導入するものというイメージがあるかもしれません。でも、近年は、カメラ1台とPCがあればスモールスタートできる環境が整っています。実際に、補助金の公募をきっかけに検討を始める企業、元請けからの生産量拡大に対応するために導入を決める企業、あるいは「たまたま今期は利益が出そうだから、今のうちに投資しておこう」と動き出す企業もあります。

本記事では、外観検査・異物混入チェック・個数カウントという3つの具体的な活用事例を通じて、中小企業の製造現場でYOLOによる物体検知がどう役立つのかを解説します。技術的に何ができて、何がまだ難しいのかも含め、中小企業診断士・AI開発者の両方の立場から率直にお伝えします！

**工場の製造ライン写真**
**検品工程は人手不足とコスト圧力が最も集中する**

物体検知（YOLO）とは？製造現場での使い方を簡潔に解説

「うちみたいな会社でも、本当にできるの？」

AI活用の相談をいただく中小企業の経営者の多くは、結構な頻度でこうおっしゃいます。「うちみたいなITに詳しくない小さな会社でも、AIなんて使えるんですか？ダメだったら正直に言ってください（涙）ほんと、人によっては、申し訳なさそうに、半ば諦めた表情で聞かれることも少なくありません。

結論から言えば、中小企業でも導入できます！むしろ、中小企業だからこそ有利になる点すらあります。順を追って説明しますね！

物体検知AIの仕組みをざっくり言うと

YOLO（You Only Look Once）は、カメラで撮影した画像の中から特定の物体を検知するAI技術です。「この画像のどこに何があるか」をリアルタイムで判定できるのが特長で、製造現場では以下のような使い方をします。

基本的な流れ：

製造ラインにカメラを設置する
カメラが撮影した画像をAIが解析する
AIが「キズあり」「異物あり」「個数不足」などを判定する
判定結果に応じてNG品を排出する、またはアラートを出す

仕組みとしてはこれだけです。大がかりな設備や専用装置は要りません。

設備投資はほぼゼロからスタートできる

「カメラやサーバーを買わないといけないのでは？」と思われがちですが、僕がおすすめしている最小構成はスマートフォン＋Google Cloud Run（クラウド上でAIを動かすサービス）です（というか、当社はまずはこの構成で試験運用やっています、おすすめです！）。

スマホのカメラで撮影して、クラウド上のAIが判定する。この構成なら、専用の設備投資はほぼ不要です。まずはこれで自社の検品対象にAIが使えるかどうかを試してみて、効果が確認できてから本格的な設備を検討する・・・中小企業診断士的にも、このスモールスタートのアプローチが一番合理的だと考えています！

中小企業「だからこそ」精度が出る理由

で、中小企業に特化したAI開発をやっていて常々、考えている、実感しているポイントがあります。そう、ここが一番大事なポイントです！

AIエンジニア界隈では、特定のケースに特化しすぎた学習は「過学習」と呼ばれ、汎用性が下がるので普通は避けるべきとされています。ただ、中小企業の製造現場のAI検品では、この常識が逆転します！

工場の環境って、基本的に「閉じている」んですよね。照明は一定、背景は変わらない、検査する物体も決まっている。この条件下では、その現場・その製品に徹底的に特化した学習をさせたほうが、汎用的なAIよりはるかに高い検知精度が出ます。

つまり、大企業が何百種類もの製品に対応する汎用AIを導入するのとは話が違って、中小企業が「自社の、この製品の、このキズだけを見つける」という一点突破の学習をさせれば、限られた投資でも高い精度が出せるわけです。

実際にデモをお見せすると、リアルタイムでかなりの精度で物体を検知する様子に驚かれる方がほとんどです。中小企業に特化したやり方をすれば、中小企業にとって有利なAIになる。。。これは僕が多くの現場を見てきた中で、確信を持って言えることです。

＜画像挿入：YOLOのデモ検知画像（バウンディングボックス付きのサンプル画像） / キャプション例「対象物に特化した学習により、リアルタイムで高精度な検知が可能」＞

事例①：金属加工の外観検査 ― 微細なキズ・へこみの自動検知

「何をどこまで検査すればいいか」が決まっていない現場

大量生産のライン工場であれば、検品基準がマニュアル化されていることも多いでしょう。しかし、福岡・山口の中小製造業は少量多品種の受注生産が圧倒的に多く、そもそも検品のルールが明文化されていないケースがほとんどです。

新人は「失敗した加工品」を見たことがないので、何を検査すればいいのかわからない。かといって基準書があるわけでもない。結果として、検品はどうしても熟練の作業員に頼ることになりますが、その熟練者は日中の加工作業で手一杯です。検品はいつも残業になり、社長が夜中に一人で検品している・・・そんな話は、この地域では珍しくありません。

これが目視検査の現実です。「人が足りない」以前に、「検査できる人が限られていて、その人の時間が足りない」という構造的な問題なんですよね。

YOLOで外観検査を自動化するとどうなるか

では、この検品工程にYOLOを導入した場合、どう変わるんでしょうか

前提として、対象物の画像データが十分に揃い、YOLOの検知信頼度が85%以上を達成している場合の話です（この数値は対象物や環境によって変動します）。

Before： 熟練作業員が加工作業後に残業で検品。1ロットあたり30分〜1時間、目視で一つひとつ確認。疲労による見落としリスクあり。

After： カメラで撮影した画像をYOLOがリアルタイム判定。1ロットあたり約5分で検品完了。判定基準はAIが一定なので、人による検査のばらつきがなくなる。

中小企業診断士的に言えば、この「熟練者の残業1時間 → 5分」という時間削減のインパクトは大きいです。検品にかかっていた時間を本来の加工作業に振り向けられるので、単に検品が楽になるだけでなく、生産キャパシティ自体が上がります。さらに、検品基準がAIによって一定になることで、「誰がやっても同じ品質」が担保される。これは属人化の解消そのものです。

ただし、少量多品種の現場ではAI学習に注意が必要

ここからは正直な話です。

金属加工の外観検査にYOLOを導入する場合、少量多品種の受注生産という特性が壁になることがあります。AIエンジニア的に説明すると、YOLOは「この製品のこのキズ」を大量の画像で学習して初めて検知できるようになります。ところが、受注生産で一度しか作らない製品に固有の不良パターンを学習しても、その製品を二度と作らないのであれば、学習した意味がなくなってしまいます。

では、少量多品種の現場ではAI検品は使えないのか？そうではありません。

ポイントは、製品固有の不良ではなく、金属加工に汎用的な不良を学習させることです。たとえば「バリ」や「溶接焼け」は、製品が変わっても共通して発生する不良です。こうした汎用的な不良パターンをAIに学習させれば、製品が変わっても検知モデルを使い回すことができます。

逆に言えば、「この製品にしか出ない特殊な不良をAIで検知したい」というケースでは、学習データが十分に集まらず、AIが対応できないこともあります。この点は導入前にきちんと理解しておく必要がありますし、僕もクライアントには最初にお伝えするようにしています。できないことを正直に伝えたうえで、「じゃあ何ならできるのか」を一緒に整理する——これが、中小企業のAI導入で最も大事なステップだと思っています。

事例②：食品加工ラインの異物混入チェック ― 不定形物検知の難しさと克服

食品の異物混入は「作り直し」がきかない

金属加工の不良は、極端に言えば作り直せばいい。もちろんコストはかかりますが、致命傷にはなりにくい。しかし食品の異物混入はまったく性質が違います。

食品は一般消費者の口に入るものです。一度でも異物混入が発覚すれば、SNSの口コミやニュースで拡散され、ブランドイメージが一瞬で崩壊するリスクがあります。長年かけて築いた信頼が、たった一件で吹き飛ぶ。しかも食品製造は製造時間が短く大量に生産するため、一つひとつの検査にかけられる時間がそもそも少ない。この「リスクは大きいのに検査に時間をかけられない」というジレンマが、食品加工の検品が抱える本質的な難しさです。

食品加工の現場で物体検知が活きるケース

では、具体的にどんな場面でYOLOが使えるのか。福岡・山口の食品加工業で多い事例を挙げます。

焼き加工品のコゲ除去： 魚や野菜の焼き加工で発生するコゲを、出荷前に検知して除去する。人の目では「これはセーフ、これはアウト」の判断が曖昧になりがちですが、AIに基準を学習させれば判定が一定になります。

菓子類の外観不良： あめやせんべいなどでカケ・割れがある製品を検知する。高速で流れるラインの中から不良品をリアルタイムで弾く用途です。

弁当の食材チェック： 特定の弁当に全ての食材が入っているかの確認。「梅干しが入っていない」「漬物が一つ足りない」といった欠品を、画像認識で検知します。これは異物混入とは逆の「あるべきものがあるか」の検知ですが、YOLOの得意分野です。

食品のAI検品は、金属加工より難しい——正直な話

ここも正直に書きます。AIエンジニア的に言えば、食品の異物混入検知は金属加工の外観検査より難易度が高いです。理由は大きく3つあります。

①立体的な確認が必要 金属パーツの検査は、表面を上から見れば済むケースが多い。しかし食品の場合、異物がどこに入り込んでいるかわかりません。表面だけでなく、360度の確認が必要になるケースもあります。カメラの台数や角度の設計が、金属加工よりずっとシビアになります。

②背景が多様すぎる 金属加工なら背景はだいたい銀色で統一されているので、AIにとっては学習しやすい環境です。一方、食品は色も形も模様もバラバラ。弁当の中身を想像してもらえればわかりますが、白飯の上の梅干し、茶色いおかずの横の緑の漬物。。。背景パターンが無数にあるため、学習に必要な画像データが金属加工の比ではなく多くなります。

③一品単価が低く、検査コストがシビア 金属加工品は一品あたりの単価がそれなりに高いので、検査コストを吸収しやすい。しかし食品は一品数十円〜数百円の世界です。検査にかけられるコストの上限が低い分、導入の費用対効果はよりシビアに見る必要があります。

それでも導入する価値はあるのか？

中小企業診断士的な視点で言えば、答えはイエスです。ただし、条件があります。

先ほどの金属加工の事例と同じで、「何でもAIに任せよう」とするのではなく、自社の製品ラインの中で最もAIと相性が良い工程を見極めて、そこだけに絞って導入するのが正解です。

たとえば、弁当の食材チェックのように「決まった位置に決まった食材があるか」を見る検知は、背景も構図も安定しているのでAIの精度が出しやすい。一方、不定形の原料に混入した異物を見つける検知は難易度が高い。まずは成果の出やすいところから始めて、実績を積んでから難しい工程に広げていく。。。このスモールスタートの考え方は、食品加工でもまったく同じですね！

事例③：梱包・物流工程でのリアルタイム個数カウント ― 目視カウントのヒューマンエラーを防ぐ

数え間違いではなく「思い込み」が怖い

個数カウントのミスと聞くと、単純に数え間違いを想像するかもしれません。しかし現場で実際に多いのは、もっと厄介な「思い込み」によるミスです。

たとえば、いつもは段ボールに12個入れて出荷している製品が、今回の発注では6個だった。でも担当者は「この製品はいつも12個」と思い込んでいるので、伝票を確認せずに12個入れてしまう。これは注意力の問題ではなく、人間の認知バイアスの問題です。何百回と同じ作業を繰り返していれば、「いつも通り」を疑わなくなるのは当たり前で、ダブルチェックしても同じ思い込みを共有していれば意味がありません。

こうした出荷ミスは、特に卸売業で多いです。工業製品のように一品単価が高い製品はミスへの意識も高くなりますが、比較的単価の低い商品を大量に扱う卸売の現場では、一件ごとの確認がどうしても雑になりがちです。しかし、ミスが積み重なれば取引先からの信頼は確実に下がる。ここにAIによる自動カウントの需要があります。

YOLOで個数カウントを自動化する仕組み

個数カウントは、事例①②の「不良を見つける」とは性質が異なります。「画像の中にある対象物を数える」というシンプルな処理なので、物体検知の中では比較的わかりやすい用途です。

基本的な流れ：

箱詰め・段ボール詰めの工程でカメラが撮影する
YOLOが画像内の製品を一つずつ検知する
検知した個数と伝票の数量を自動で照合する
数量が合わなければアラートを出す

ポイントは、AIが「いつも通り」に引きずられないことです。伝票に6個と書いてあれば6個、12個なら12個。人間のように思い込みで判断を歪めることがないので、発注数が変わったときのミスを構造的に防げます。

カメラの角度が精度を左右する

個数カウントはAI検品の中では比較的ハードルが低い用途ですが、注意点もあります。

AIエンジニア的に一番大きいのは、カメラの撮影角度の問題です。理想は真上からの撮影。箱の中を真上から見下ろせば、製品同士の重なりがなく、AIが正確にカウントできます。

ただ、現場の運用上、真上にカメラを設置できないケースも多いです。その場合は斜め上からの撮影になりますが、ここで難易度が一気に上がります。奥行きが出るので手前の製品が奥の製品を隠してしまい、AIが正確に数えられなくなる。特に大きめの箱に深さがある場合、奥にある製品がカメラに映らないケースが出てきます。

この問題への対処としては、カメラの設置位置と角度を事前にしっかり検証することが重要です。僕の場合は、導入前に実際の箱と製品を使って何パターンか撮影テストを行い、どの角度なら精度が出るかを確認してから本番環境を設計するようにしています。ここを手抜きすると、「導入したけど精度が出ない」という残念な結果になりかねないので、地味ですが一番大事な工程です。

目視検査の自動化で得られるメリットと、AIの限界

メリット①：「付加価値のない作業」から人を解放できる

ここまで3つの事例を紹介してきましたが、経営者の方から一番多くいただく反応は「検品に人を割かなくてよくなるのが助かる」という声です。

検品は一見すると単純作業に見えますが、実際にはかなりの手間と集中力が必要です。しかも、検品という作業自体は何かを生み出しているわけではない。製品の付加価値を上げる工程ではなく、あくまで品質を「守る」ための工程です。山口・福岡の中小企業は人手不足と人件費高騰が深刻な中で、この「付加価値を生まないが省けない作業」に貴重な人材を割くのは、経営的にとても辛いわけです。

AIで検品を補助することで、その分の人手を本来の生産工程や、もっと付加価値の高い作業に回せる。これが最もわかりやすいメリットです。

メリット②：AIの導入が「改善する意識」のきっかけになる

これは数字に出にくい話ですが、僕がとても重要だと思っている点です。

AI検品を導入するという行為自体が、従業員にとって新鮮な体験になります。「自分たちの職場にAIが入る」ということが刺激になって、「この作業も改善できるんじゃないか」「あの無駄もなくせるんじゃないか」という意識が芽生え始めるんですよね。

結局、AIはあくまでツールであって、業務を改善するのは社員、人です。AI導入をきっかけに、現場の中から「もっとこうしたい」という声が上がってくるようになれば、それはAIの効果以上の価値があると思います。

あと、これは笑い話みたいですが、地味によく言われることがあります。AIにちゃんと認識させるためには、カメラの周りを常に整理整頓しておかないといけない。その結果、「工場がきれいになった」と。副次的な効果ですが、5S的に見ればこれも立派な改善です。

メリット③：データの蓄積が「現場の見える化」につながる

AI検品を導入すると、検品結果がすべてデータとして蓄積されていきます。このデータには2つの意味があります。

まず、蓄積されたデータ（画像）はAIの再学習のための教材になります。データが増えるほどAIの精度は上がっていくので、使えば使うほど検品の質が向上するサイクルが生まれます。

もう一つは、現場の見える化です。不良率の推移や、どの工程でミスが多いかが数値として見えるようになる。これまで「なんとなく感じていた」ボトルネックが、データで裏付けされることで、次の改善アクションが明確になります。中小企業診断士的に言えば、これはまさに工程改善の基盤そのものです。

AIの限界：100%の精度も、完全自動化も、約束はできない

ここからは限界の話です。正直に書きます。

精度100%は現実的ではない。 特に少量多品種の現場では、すべての製品パターンをAIに学習させきることは困難です。AI検品の導入は「完全自動化」ではなく、人の手の補助、リスクの低減、人の作業負担の何%かを削減するものとして捉えてほしいと、僕はクライアントに必ずお伝えしています。

「AIが全部やってくれるんでしょ？」という期待を持ったまま導入すると、必ず落胆します。AIが得意な部分はAIに任せ、最終判断や例外対応は人が行う。この役割分担を最初に設計することが大事です。

導入して終わりではない。 AIは一度作ればそれで完成ではありません。新しい製品が増えたり、検品対象のパターンが変わったりすれば、再学習が必要になります。定期的なメンテナンスを前提として、運用コストも含めた導入計画を立てるべきです。

だからこそ、中小企業の場合は一気に全工程をAI化するのではなく、部分的にスモールスタートで導入し、データを蓄積しながら徐々に整備していくのが現実的なアプローチです。最初は一つの工程、一つの製品から始めて、効果を確認しながら広げていけばいい。焦る必要はありません。

中小企業がAI検品を導入する際のポイント ― 補助金活用とスモールスタート

ものづくり補助金は「製造業だけ」ではない

AI検品の導入を検討する際、真っ先に確認してほしいのがものづくり補助金です。僕自身、この補助金には非常に長く関わってきたので内部もよく知っていますが、意外と知られていないポイントがあります。

それは、ものづくり補助金は製造業だけが使えるわけではないということ。サービス業でも申請できますし、自社に特化したAI開発も対象になります。

補助率はだいたい税抜価格の2/3。たとえば300万円（税抜）のAI開発であれば、約200万円が補助され、自己負担は100万円程度で済みます。AI検品の導入を考えているなら、使わない手はありません。

また、ものづくり補助金以外にも、福岡県・市や山口県・市で生産性向上やDX関係の補助金が不定期に実施されることがあります。こうした地域の補助金も含めて、使えるものは積極的に活用すべきです。

AI導入の前に、まず工程分析から

ここからは、僕が実際にどういう進め方をしているかをお話しします。

僕の場合、いきなりAI開発に入ることは絶対にありません。まず最初にやるのは、現場の工程をヒアリングして、工程全体のボトルネックを分析することです。

AIありきで考えるのではなく、そもそもAIを使わなくてもエクセルやホワイトボードで効率化できるところがあれば、まずはそこから手をつけます。

実際にあった例を一つ紹介します。少量多品種の鉄工工場から「工程管理にAIを導入してシステム化したい」という依頼をいただいたことがあります。しかし、いろいろヒアリングしてみると、現場の作業員は高齢の方が多く、いきなりシステムを入れても使いこなせない可能性が高かった。そこで、まずは紙ベースの見える化から始めました。工程の記録を紙に書き、それを現場に備え付けたスマホで写真を撮って、Googleドライブのその日のフォルダにアップロードする。これだけで部分的な見える化ができます。この運用に現場が慣れた段階で、初めてAIを導入しました。

このように、現場の状況に合わせて段階を踏むのが、中小企業のAI導入では一番大事だと思っています。