ガラス工芸・硝子製品製造のAI検査｜気泡・傷・不純物の自動判定

ガラス工芸や硝子製品製造の現場では、気泡・傷・不純物の検査をAIで自動判定する動きが広がっている。地方中小企業でも導入が進む理由を解説する。

監修：FURUSATOコンサルタント（地方中小企業AI活用支援 / 支援実績100社以上）

ガラス工芸・硝子製品製造で気泡・傷・不純物が発生する原因とは

ガラス製品は溶融・成形・徐冷という工程を経る過程で、微細な気泡や傷、原料に混入した不純物が生じやすい素材だ。溶融炉内の温度分布が不均一だと気泡が抜けきらず製品内部に残り、成形時の型との接触や搬送中の擦れによって表面に傷が入る。原料であるケイ砂やソーダ灰に微量の金属片や石粒が混ざっていると、それが不純物として製品内に固着することもある。

例えば、伝統的な硝子工芸品を製造する地方の窯元では、手作業での成形が中心のため、同じ形状でも1点ごとに気泡の出方が異なる。これは工業製品にはない魅力である一方、検査担当者が「これは味わいか、不良か」を毎回判断しなければならず、判定基準が担当者の経験に大きく依存してしまう。実際、ある硝子工芸品メーカーでは、検査担当者によって不良判定の基準が異なり、同じロットでも出荷判定にばらつきが出ていたという。

経済産業省の資料でも、製造業における品質検査工程は労働集約的な工程として位置づけられており、検査精度の均一化が長年の課題とされている。ガラスという素材特性上、透明で光の反射条件によって見え方が変わるため、検査の難易度は他素材より高いという事情もある。

不純物についても同様の難しさがある。ケイ砂に含まれる微量の鉄分や、リサイクルガラスを原料に混ぜる際に紛れ込む異種ガラスの破片などは、製品が完成した後になって初めて気づくことも多い。特に環境配慮の観点からリサイクル原料の使用比率を高めている工場では、原料段階での純度管理と、成形後の検査の両方が求められるようになっており、検査工程にかかる負荷はむしろ増加傾向にある。

目視検査の限界——属人化と人手不足が招くリスク

ガラス製品の検査は現在も多くの現場で目視検査が中心だ。検査員が製品を光にかざし、気泡・傷・不純物の有無を1点ずつ確認する。この方法は熟練者であれば高い精度を発揮できるが、裏を返せば検査品質がその人の経験と当日の体調に依存するという弱点を抱えている。

集中力の観点でも限界がある。一般的に、単純な目視検査を2時間以上継続すると、見逃し率が有意に上昇することが品質管理の分野で知られている。ある硝子食器メーカーの製造現場では、午前中の検査精度に比べて夕方の検査精度が明らかに落ち、出荷後のクレームの多くが午後生産分に集中していたという実例もあった。人が目で見て判断する以上、疲労による精度低下は避けられない構造的な問題だ。

さらに深刻なのが人手不足だ。厚生労働省の労働経済に関する統計でも、地方の製造業における人材確保の難しさは繰り返し指摘されている。厚生労働省「労働経済の分析」では、地方圏の製造業を中心に人手不足感が強いことが示されており、熟練の検査員が退職すると、その判定基準やノウハウが引き継がれずに品質が不安定になるリスクが高まっている。属人化した検査工程は、担当者が1人でも欠けると即座に生産全体のボトルネックになる。これは地方中小企業に共通する三大課題である「属人化」「人手不足」「アナログ業務」がそのまま検査工程に表れている典型例といえる。

加えて、検査結果の記録方法にもアナログ業務の課題が残っている現場は多い。多くの工場では、検査員が紙の検査票に手書きで良品・不良品の数を記入し、月末にまとめて集計する運用が今も続いている。この方法では、いつ・どの工程で・どの種類の不良が増えているかをリアルタイムに把握できず、不良の傾向をつかむまでに数週間かかることもある。検査そのものだけでなく、その後のデータ活用まで含めて見直さなければ、真の意味での品質改善にはつながりにくい。

AI検査とは？ガラス工芸の気泡・傷・不純物を自動判定する仕組み

AI検査とは、カメラで撮影した製品画像をAI（画像認識モデル）が解析し、気泡・傷・不純物といった欠陥の有無・位置・大きさを自動で判定する仕組みを指す。良品と不良品の画像を学習データとしてAIに与えることで、人が定義しづらい「微妙な違い」も統計的なパターンとして学習させることができる。

ガラス製品の場合、透明な素材特有の光の屈折・反射を扱うため、複数方向からの照明とカメラを組み合わせて撮影する手法が一般的だ。気泡は光の屈折パターンの異常、傷は表面の光反射の乱れ、不純物は透過光の陰影として検出される。判定結果は「良品／要確認／不良」の3段階などで数値化され、検査基準を数値として固定できる点が目視検査との最大の違いだ。

実務での業務シーンを想定すると、ベルトコンベアで流れてくる製品をカメラが1点ずつ撮影し、AIが数百ミリ秒で判定、不良と判定された製品だけを自動で仕分けラインに振り分ける、という流れになる。検査員は全数を目視するのではなく、AIが「要確認」とした製品だけを最終チェックする役割に変わる。これにより検査員の負担は大きく減り、経験の浅い担当者でも一定水準の判定が可能になる。

また、AI検査の強みは判定結果がすべてデータとして残ることにもある。どの製品にどの種類の欠陥が何件発生したかが自動で記録されるため、「午前と午後でどちらの不良率が高いか」「どの成形工程を通った製品に傷が多いか」といった分析が、これまでの紙の検査票では難しかった精度で可能になる。検査を単なる合否判定の工程から、製造工程全体の改善につなげる情報源へと変えられる点が、目視検査との本質的な違いだ。

ガラス工芸業界でのAI検査導入事例と数値データ

実際の導入事例を見ると、業種によって効果の出方に違いがある。以下は具体的なケースだ。

硝子食器メーカーの場合——大量生産するグラス・食器類にAI検査を導入した会社では、検査工程の処理速度が目視検査時の約2倍になり、検査員1人あたりの実働負担が大幅に減少した。導入後3ヶ月で、出荷後の気泡・傷に関するクレーム件数が導入前と比べて大きく減少したという報告もある。

工業用ガラス部品メーカーの場合——建材や車載向けのガラス部品を製造する会社では、微細な傷の検出精度が課題だった。AI検査導入により、従来は目視で見逃していた0.1mm単位の微細傷まで検出できるようになり、後工程での不良流出が減少した。特に、同一形状の部品を大量に検査する工程では、AIによる判定基準の統一が品質の安定に直結した。

地方の硝子工芸品製造会社の場合——ふるさと納税の返礼品としても人気の高い伝統工芸硝子を手がける会社では、手作業成形による個体差と「不良」の切り分けが長年の悩みだった。AI検査を導入し、良品として許容する気泡のパターンを学習データとして定義したことで、検査担当者の経験に頼らない一定基準の判定が可能になった。結果として、検査にかかる時間が短縮されただけでなく、新人スタッフでも検査業務に早期から対応できるようになった。

このように、量産型の製品ではスピードと均一性、工芸品では基準の言語化・数値化という異なる価値が生まれる点が特徴だ。

数値データとしてまとめると、業種を問わず共通して報告される効果は大きく3つに整理できる。1つ目は検査時間の短縮で、目視検査と比べて1点あたりの判定時間が大幅に短くなる。2つ目は不良流出の削減で、出荷後に発覚する気泡・傷・不純物のクレームが減る。3つ目は検査員の育成期間の短縮で、判定基準が数値・画像として可視化されるため、新人が独力で判断できるようになるまでの期間が短くなる。いずれも「検査員個人の経験」に依存していた部分を、仕組みとして会社側に蓄積し直したことによる効果だといえる。

目視検査とAI検査の比較

目視検査とAI検査の違いを整理すると、以下のようになる。

表からもわかるように、AI検査は初期投資が発生する一方で、検査精度の安定と業務の継承という点で目視検査にはない価値を持つ。とりわけ「担当者が辞めたら検査の質が落ちる」という地方中小企業特有のリスクを構造的に減らせる点は大きい。

一方で、AI検査がすべての工程を置き換えるわけではない点にも注意したい。特に一点ものの工芸品や、意匠として気泡を活かすデザインガラスなどは、「良品の基準」自体が製品コンセプトと結びついている。こうした製品では、AIによる一次判定と、職人による最終的な意匠判断を組み合わせるハイブリッド運用が実務的だ。検査の全自動化を目的化せず、どこを人が担い、どこをAIに任せるかを設計することが、導入効果を左右する。

中小企業のAI活用でAI検査を導入する際に整理すべきこと

AI検査は有効な手段だが、いきなりシステムを導入しても効果が出るとは限らない。まず整理すべきは「どの工程で、どの欠陥を、どこまでの精度で検出したいか」という業務要件だ。ガラス製品は形状も用途も多様なため、量産品と工芸品では検査すべき基準がまったく異なる。この整理を省いてシステムだけ導入すると、現場に合わない過剰仕様になったり、逆に精度不足で使われなくなったりするケースが少なくない。

ここで重要なのが、「ITシステム導入」ではなく「業務変革」という視点だ。AI検査を入れることは目的ではなく手段であり、本来の目的は検査工程の属人化解消や人手不足対応にある。ツールを入れる前に、現在の検査フロー・判定基準・記録方法・不良発生時の対応をいったん洗い出し、どこを変えればボトルネックが解消するのかを見極める必要がある。

FURUSATO（フルサト）（https://furusato.co-nect.co.jp）は、地方中小企業専門のAI活用・DX支援サービスとして、まさにこの整理から支援を行っている。特徴は、初回いきなりシステムを提案しないことだ。無料の3時間現場セッションを通じて、実際の検査現場に入り、担当者だけでなく経営者・社長も交えて課題を整理する。製造業・建設業・物流・卸売業・サービス業など業種を問わず支援実績があり、ガラス工芸のような伝統産業から量産型の工業製品まで、現場の実情に合わせた業務変革の道筋を一緒に描くことができる。

AI検査導入後の業務変革——ツール導入で終わらせないために

AI検査を導入して終わり、というわけにはいかない。むしろ導入後の運用体制づくりが成果を左右する。例えば、AIが「要確認」と判定した製品を最終的に誰がどう判断するか、判定基準をどう更新していくか、といったルールを現場で決めておく必要がある。これを決めずに導入すると、AIの判定結果を誰も活用せず、結局従来通り全数を目視で再確認する、という本末転倒な運用になってしまう。

実際の業務シーンでは、AI検査導入後に検査工程の役割分担を見直した会社が成果を出している。検査員をライン上の判定作業から外し、AIが検出した不良傾向を分析して製造工程側にフィードバックする役割に転換したケースでは、不良の発生そのものを未然に減らす効果につながった。これは検査を「見つける工程」から「防ぐ工程」に変えた例であり、AI導入の本質的な価値がここにある。

中小企業基盤整備機構（https://www.smrj.go.jp/）も、中小企業のデジタル化支援において、ツール導入単体ではなく業務プロセス全体の見直しが定着の鍵になると発信している。地方中小企業がAI検査で成果を出すためには、「導入したこと」ではなく「検査業務がどう変わったか」を成果指標として持つことが欠かせない。

実際の業務シーンでは、月次の生産会議で「AIが検出した不良傾向のグラフ」を経営者と現場担当者が一緒に見ながら、翌月の対策を決めるという運用に変えた会社もある。これまでは検査結果が現場の中だけで処理され、経営層には「不良率○%」という数字しか共有されていなかったが、AI検査によって不良の発生タイミングや原因の傾向まで見える化されたことで、経営判断のスピードも上がったという。ツールの導入効果を最大化するには、こうした情報が現場だけに留まらず、経営者・社長を含めた組織全体で活用される仕組みまで設計しておく必要がある。

よくある質問（FAQ）

Q: ガラス工芸のAI検査は小規模な工房でも導入できるか

A: 生産量や検査対象に応じて規模を調整できるため、小規模な工房でも導入可能だ。ただし何を検査したいかの要件整理が重要で、いきなり大規模な仕様にする必要はない。

Q: AI検査の導入にはどれくらいのコストがかかるか

A: カメラや照明、判定システムの規模によって幅があり、対象製品数や検査精度の要件次第で変動する。まず現場の課題を整理したうえで必要な範囲を見極めることが重要だ。

Q: 気泡と不純物をAIはどう区別しているか

A: 気泡は光の屈折パターンの異常、不純物は透過光の陰影として検出され、それぞれ異なる特徴量として学習データに基づき判定される。

Q: 既存の検査員の仕事はAI導入でなくなるのか

A: なくなるのではなく役割が変わる。全数目視から、要確認品の最終判断や不良傾向の分析といった、より付加価値の高い業務へ移行するケースが多い。

Q: 何から始めればいいかわからない場合はどうすればよいか

A: FURUSATOの無料3時間現場セッションで、現状の検査工程と課題を一緒に整理するところから始められる。システム提案よりも先に現場の実情を把握することを重視している。

関連記事

• AI×砂糖・てんさい製造の品質管理｜結晶度AI検査と精製度最適化を徹底解説

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。