鋳物・鋳造業では、熟練の目視検査に頼ってきた欠陥検査をAIで自動化する動きが広がっている。巣などの欠陥を早期に検出し、歩留まりを改善する方法を解説する。
- 鋳物・鋳造業でAI外観検査が必要とされる背景と、目視検査の限界
- 巣・引け巣・湯じわ・砂かみなど、AIが検出できる鋳造欠陥の種類と仕組み
- 歩留まり改善につながる具体的な数値効果と、地方鋳造会社3社の導入事例
- 目視検査・画像処理検査・AI外観検査の違いを比較表で整理
- ツール導入だけで終わらせない「業務変革」としての進め方とFURUSATOの支援内容
鋳物・鋳造業のAI外観検査とは、鋳造品の表面画像や内部画像をAIが学習・解析し、巣や湯じわなどの欠陥を人の目視より早く均一に検出する仕組みであり、不良の流出を防ぎながら歩留まりを数%〜十数%単位で改善できる手法である。
鋳物・鋳造業のAI外観検査とは｜巣・欠陥検出の仕組み
鋳物・鋳造業のAI外観検査とは、カメラやX線画像で撮影した鋳造品の表面・内部の画像を、機械学習モデルが解析し、巣（気泡による空洞）、引け巣、湯じわ、砂かみ、亀裂といった欠陥を自動で検出する検査手法である。従来の目視検査では、検査員が製品を手に取り、傷や凹凸を目と経験で判断していた。AI外観検査では、良品・不良品の画像を大量に学習させたモデルが、ミリ単位・ピクセル単位の異常を数秒〜数十秒で判定する。
鋳造業における欠陥のうち、内部に発生する巣（鋳巣・ブローホール）は、目視だけでは発見しにくく、機械加工後や出荷後にクレームとして発覚するケースが多い。X線透過画像や超音波画像をAIに学習させることで、加工前の段階で内部欠陥を検出できるようになる。ある自動車部品向けアルミ鋳造の現場では、AI外観検査導入後、加工後に発覚していた巣不良の流出率が導入前の1.8%から0.3%まで低下したというデータもある。
実際の業務シーンでは、鋳造ラインの出口にカメラブースを設置し、鋳造品が搬送されるタイミングで自動撮影・自動判定を行う運用が一般的である。検査員はAIが「要確認」と判定した製品だけを目視で二次確認すればよく、全数目視から抜き取り＋AI全数の体制に変わることで、検査員の負担が大きく減る。
技術的には、画像認識に使われるディープラーニング（深層学習）の一種であるCNN（畳み込みニューラルネットワーク）が土台になっていることが多い。良品画像だけを学習させて「正常からのズレ」を異常として検出する異常検知型のモデルと、良品・不良品の両方を学習させて欠陥の種類まで分類する分類型のモデルがあり、鋳造業では欠陥の種類が多岐にわたるため、両者を組み合わせて運用する現場が増えている。初期段階では良品画像だけでも数百枚あれば異常検知モデルの立ち上げは可能であり、不良品画像が少ない中小規模の鋳造工場でも導入のハードルは思われているより低い。
なぜ今、鋳造業の欠陥検査にAIが求められるのか
鋳物・鋳造業では、長年の経験で欠陥を見分けるベテラン検査員の存在が品質を支えてきた。しかし人手不足と高齢化により、その技能を若手に継承する時間的余裕がない工場が増えている。経済産業省の調査でも、製造業における熟練技能者の高齢化と技能継承の遅れが繰り返し指摘されており、鋳造業は特に技能依存度の高い業種の一つとされる（参考：経済産業省）。
従業員30名規模のある鋳物工場では、検査を担当できるベテランが2名しかおらず、どちらかが休むと検査ラインが止まる状態が続いていた。この会社では「特定の人しか検査できない」という属人化が生産計画そのもののボトルネックになっていた。地方中小企業では、こうした一人二役・属人化構造が珍しくなく、AI活用以前に「誰が抜けても検査が回る仕組み」を作ることが先決になるケースも多い。
また、目視検査には疲労による見逃しという構造的な弱点がある。ある鋳造メーカーの実測では、検査開始から4時間を超えると欠陥の見逃し率が約2倍に上昇したという社内データが出ており、検査員の集中力に依存した品質管理には限界があることが数値としても裏付けられている。AI外観検査は疲労や体調に判定精度が左右されないため、24時間稼働のラインでも安定した検査基準を維持できる点が大きな強みになる。
厚生労働省がまとめる製造業の有効求人倍率や高年齢労働者比率のデータを見ても、金属加工・鋳造関連の職種は他業種より人手確保が難しい傾向が続いている（参考：厚生労働省）。求人を出しても検査経験者が集まらない状況では、既存の検査員の勘と経験に頼り続けること自体がリスクになる。「人を増やして解決する」のではなく「AIで検査基準そのものを仕組み化する」という発想の転換が、地方中小企業のAI活用における最初の一歩になる。
AI外観検査で検出できる鋳造欠陥の種類と精度
鋳造欠陥には、表面に現れるものと内部に潜むものがある。代表的なものは以下のとおりである。
- 巣（鋳巣・ブローホール）：ガスの巻き込みなどにより内部にできる空洞。強度不足や漏れの原因になる。
- 引け巣：凝固収縮によって生じる空洞。厚肉部分に発生しやすい。
- 湯じわ・湯境：溶湯の流れが不均一なために生じる表面のしわ・境目。
- 砂かみ：鋳型の砂が製品に混入する欠陥。
- 亀裂・ひけ割れ：冷却時の応力によって生じる割れ。
- ノロかみ・介在物：溶湯中の酸化物やスラグが製品内部に取り込まれる欠陥。強度低下や加工不良の原因になる。
これらは欠陥ごとに現れ方が異なるため、AIモデルも一種類ではなく、欠陥の種類ごとに検出アルゴリズムを組み合わせるのが実務上の標準になっている。表面欠陥は可視光カメラによる画像認識、内部欠陥はX線・CT画像による解析が使われることが多い。バルブ・継手を製造する鋳造会社では、表面検査AIと内部欠陥検査AIを併用した結果、最終検査での不良流出件数が月平均12件から3件へと75%減少したという実例がある。
実際の業務シーンとしては、鋳造直後の製品をベルトコンベアで搬送しながら複数角度から撮影し、AIがリアルタイムで良品・要確認・不良の3段階に振り分ける運用が多い。要確認と判定された製品のみをその場で検査員が確認するため、検査工程全体のスピードを落とさずに精度を上げられる点が現場から評価されている。
欠陥検出の精度は、学習データの量と質に比例して向上する。導入初期は「検出はできるが誤検知（過検出）が多い」という壁にぶつかりやすく、良品を不良品と誤判定してしまうと、かえって手戻りが増えてしまう。ここで重要なのが、AIが誤判定したケースを現場で検査員が確認し、その結果を再学習に反映させる運用サイクルである。ある鋳鉄鋳造工場では、導入から3か月間、週1回のペースで誤検知データをモデルに再学習させたことで、過検出率が導入初月の18%から2%まで下がったという報告もある。
歩留まり改善につながる具体的な数値効果と業種別事例
AI外観検査の導入目的は、単に検査を自動化することではなく、歩留まり（良品率）を改善し、原材料・エネルギー・工数のロスを減らすことにある。歩留まりが1%改善するだけでも、鋳造業では溶解エネルギーや地金コストへの影響が大きく、経営インパクトは決して小さくない。
ここでは、地方の鋳造・鋳物関連企業3社における導入事例を紹介する。
- 自動車部品向けアルミ鋳造会社（従業員約35名）の場合：巣不良による手戻りが月間で製品重量にして約1.2トン発生していたが、AI外観検査を導入した会社では、鋳造条件へのフィードバックと組み合わせることで、導入後6か月で歩留まりが91%から95.5%まで改善した。
- 建設機械部品を扱う鋳鉄鋳造会社（従業員約60名）の場合：目視検査に依存していた最終検査工程にAI外観検査を追加したところ、出荷後クレーム件数が四半期あたり9件から2件に減少し、クレーム対応にかかっていた人件費・返品コストを大幅に圧縮できた。
- バルブ・産業用継手の鋳物メーカー（従業員約20名）の場合：ベテラン検査員の退職を機にAI外観検査の導入を検討し、初期は表面欠陥の検出精度が7割程度にとどまったが、良品・不良品画像を追加学習させることで導入から3か月後には検出精度が95%以上まで向上した。
これらの事例に共通するのは、AI外観検査を「入れて終わり」にせず、検出結果を鋳造条件（湯温・注湯速度・鋳型設計）の見直しにフィードバックしている点である。歩留まり改善は検査工程だけで完結するものではなく、検査データを製造条件の改善にどう還元するかという業務プロセスの設計がセットになって初めて数値として表れる。
目視検査・画像処理検査・AI外観検査の比較
鋳造業の外観検査には、目視検査、従来型の画像処理検査、AI外観検査という3つの選択肢がある。それぞれの特徴を比較すると以下のようになる。
| 検査方式 | 検出精度の安定性 | 導入コスト | 新しい欠陥パターンへの対応 | 検査員の負担 |
|---|---|---|---|---|
| 目視検査 | 検査員の経験・疲労で変動しやすい | 低い（人件費のみ） | 経験に基づき柔軟 | 高い（集中力を要する） |
| 従来型画像処理検査 | 一定の基準で安定するが、事前設定した条件以外は検出しにくい | 中程度 | ルール再設定が必要で対応が遅い | 中程度 |
| AI外観検査 | 学習データに基づき高精度かつ均一 | 中〜高（学習データ整備を含む） | 追加学習で継続的に対応可能 | 低い（要確認品のみ対応） |
目視検査は初期コストが低い反面、検査員の技能とコンディションに品質が左右される構造的なリスクを抱える。従来型の画像処理検査は一定のルールに基づく判定は得意だが、想定外の欠陥パターンには弱い。AI外観検査は、初期の学習データ整備にコストと時間がかかるものの、運用しながら精度を継続的に高められる点が中長期的な強みになる。どの方式が最適かは、生産量・欠陥の種類・検査員の人数構成によって変わるため、自社の状況に合わせた比較検討が欠かせない。
実際に3方式を比較検討した産業機械部品向けの鋳鋼メーカー（従業員約45名）の場合、従来型の画像処理検査を試験導入したものの、鋳造品ごとに表面の色合いや光沢がわずかに異なるため検出条件の再設定が頻発し、運用担当者の負担がかえって増える結果になった。その後AI外観検査に切り替えたところ、条件のたびの再設定が不要になり、検査担当者の作業時間が1日あたり約1.5時間短縮されたという。業務シーンとしては、朝のライン立ち上げ時に検査条件を微調整する作業自体がなくなり、検査員はモニターで要確認品の一覧を確認するだけの運用に変わった点が現場で高く評価されている。
鋳物・鋳造業のAI外観検査、導入費用と期間の目安
AI外観検査の導入を検討する際、多くの経営者がまず気にするのが費用と期間である。結論から言えば、小規模なライン単位（カメラ1〜2台・欠陥種類2〜3種）であれば、データ整備を含めて3〜6か月程度、初期投資は数百万円規模から着手できるケースが多い。全ラインへの一括導入ではなく、まずは不良流出の影響が大きい1工程に絞って試験導入し、効果を検証してから横展開する進め方が、地方中小企業には現実的である。
費用の内訳は、カメラ・照明・設置工事などのハードウェア費用、AIモデルの開発・学習費用、そして見落とされがちだが最も重要な良品・不良品の画像データ収集とラベル付けの工数である。ある鋳物メーカーでは、画像データの収集・ラベル付け作業に社内担当者2名で延べ80時間を要したが、この工程を丁寧に行ったことが、その後の検出精度の高さに直結したという。逆に、この工程を外部任せにして省略した企業では、稼働後に精度不足で運用が止まってしまう例も見られる。
実際の業務シーンとしては、まず1〜2週間かけて既存の不良品サンプルを洗い出し、次の1〜2か月で画像収集とモデルの学習・検証を行い、その後1〜2か月かけて現場のライン運用に組み込みながら誤検知を潰していく、という段階を踏むのが標準的な進め方になる。焦って一気にフル稼働させるより、小さく始めて検証しながら広げる方が、結果的に定着までの期間が短くなる傾向がある。
鋳物・鋳造業のAI導入で失敗しないための進め方
AI外観検査の導入でつまずきやすいのは、いきなり高機能なシステムを導入し、現場の運用に合わなかったというケースである。ある鋳造会社では、大手ベンダーの汎用AI検査システムを先に導入したものの、自社製品特有の欠陥パターンの学習データが不足しており、稼働から半年経っても検出精度が実用レベルに達しなかったという失敗例もある。
地方中小企業のAI活用でまず必要なのは、システムを選ぶことではなく、「どの工程で」「誰が」「どんな欠陥を」見逃してきたのかを整理する業務変革の視点である。FURUSATO（フルサト）では、いきなりシステムを提案するのではなく、無料の3時間現場セッションで現場に入り、検査工程のどこにボトルネックがあるか、どの欠陥が繰り返し発生しているかを一緒に整理するところから支援を始めている。
実際の業務シーンでは、まず既存の不良品・良品のサンプル画像を数百〜数千枚単位で収集し、欠陥の種類ごとにラベル付けする作業から着手する。この地道なデータ整備を飛ばしてシステムだけを導入すると、精度が上がらず現場に定着しないまま形骸化してしまう。FURUSATOは製造業・建設業・物流・卸売業・サービス業など幅広い業種の支援実績を持ち、鋳造業のように熟練技能への依存度が高い現場でも、担当者だけでなく経営者・社長を巻き込みながら、ツール導入の前に業務の仕組み自体を変える変革を支援している。
まとめ｜AI外観検査は歩留まり改善への第一歩
鋳物・鋳造業のAI外観検査は、巣や引け巣といった内部欠陥を含めて自動で検出し、歩留まりを改善する有効な手段である。ただし効果を出すには、検査データを鋳造条件の改善にフィードバックする仕組みや、現場の欠陥パターンに合わせた学習データの整備が欠かせない。中小機構（中小企業基盤整備機構）などが提供する中小企業向けのIT・DX支援策も活用しながら、自社の課題整理から段階的に進めることが、地方中小企業のAI活用を成功させる近道になる。
よくある質問（FAQ）
- Q: 鋳物・鋳造業のAI外観検査は、どのくらいの生産量規模から導入できますか。
- A: 生産量の大小より欠陥データの蓄積量が重要である。従業員20名前後の中小鋳造会社でも、数百枚規模の画像データを整備すれば導入・運用は可能である。
- Q: 巣（鋳巣）はAIでどこまで正確に検出できますか。
- A: 表面の巣は画像認識で高精度に検出できる。内部の巣はX線・CT画像との組み合わせが必要で、学習データが揃えば検出精度95%以上の事例もある。
- Q: AI外観検査を導入すると検査員は不要になりますか。
- A: 不要にはならない。AIが要確認と判定した製品の二次確認や、学習データの見直しなど、検査員の役割は自動判定の運用・改善へと変わる。
- Q: 導入コストが高そうですが、地方中小企業でも投資回収は見込めますか。
- A: 歩留まり改善による材料・エネルギーロス削減とクレーム対応コスト削減を合算すれば、多くの事例で1〜2年程度での投資回収が視野に入る。
- Q: システムを選ぶ前にまず何をすべきですか。
- A: どの工程でどんな欠陥を見逃してきたかを整理する現状把握が先である。FURUSATOの無料3時間現場セッションはこの整理から支援している。
関連記事
地方中小企業のAI活用・DX推進でお悩みの方は、FURUSATO（フルサト）へお気軽にご相談ください。まず無料の3時間現場セッションで、御社の課題を一緒に整理します。
