樹脂成形・プラスチック射出のAI検査｜バリ・ヒケ・寸法不良の自動検出

樹脂成形の射出工程で発生するバリ・ヒケ・寸法不良を、AIによる寸法検査で自動検出する方法を解説する。

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）

樹脂成形・射出成形の検査現場で起きている課題とは

射出成形による樹脂部品の品質検査は、多くの現場で今なお目視に依存している。検査員が一つひとつの部品を手に取り、傷・変形・色味などを確認する方法では、検査基準が担当者の経験と感覚に依存しやすく、属人化しやすいという問題が起きる。さらに、検査員の高齢化や退職によって、長年培われた「見る目」が引き継がれずに品質基準そのものが揺らぐケースも少なくない。

新潟県で自動車内装向けの樹脂成形を手掛けるA社の場合、検査工程に従業員の約3割を割いていたが、ベテラン検査員2名が同時期に退職したことで検査基準がばらつき、出荷後のクレームが一時的に増加した。こうした状況は、地方中小企業の製造現場で共通して起きている課題といえる。

加えて、検査要員を新たに1人採用しようとしても、地方では応募自体が集まりにくく、採用できても数年で退職してしまうという声も多い。検査工程だけを見ても、人手不足・属人化・アナログな記録方法(紙の検査記録)という三つの問題が絡み合っているケースがほとんどで、単純に検査員を増やすだけでは解決しにくい構造になっている。

バリ・ヒケ・寸法不良とは何か｜発生原因を解説

バリとは、金型の合わせ面からわずかに樹脂が漏れ出し、成形品の縁に薄い突起として残る不良のことを指す。ヒケとは、樹脂が冷却・収縮する過程で表面が内側に引き込まれ、へこみや変形として現れる現象である。寸法不良は、金型温度・射出圧力・保持時間・冷却時間といった成形条件のわずかなばらつきによって、設計上の許容範囲(公差)から形状が外れてしまう不良を指す。

プラスチック射出成形の不良の中でも、バリ・ヒケ・寸法不良の3つは発生頻度が高く、不良全体の6〜7割程度を占めるとされる。家電製品のハウジング部品を製造するB社では、ヒケが原因の顧客からの返品が月間20件前後発生しており、返品対応にかかる人件費と再加工コストが利益を圧迫していた。

樹脂成形の不良が経営に与える影響

不良の流出は、返品・再加工コストだけでなく、取引先からの信用低下にもつながる。特に地方中小企業では、限られた人員で検査・クレーム対応・再加工を兼務することが多く、一件の不良流出が現場全体の負担として跳ね返りやすい。寸法不良は公差が0.1mm単位で定められている部品も多く、目視ではほとんど判別できないため、ノギスやマイクロメーターによる抜き取り検査に頼っている現場もまだ多い。

樹脂成形・射出成形のバリ・ヒケ・寸法検査にAIを導入する方法とは

樹脂成形・射出成形のバリ・ヒケ・寸法検査にAIを導入するとは、カメラで撮影した成形品の画像を、あらかじめ良品・不良品の画像で学習させたAIモデルに判定させる仕組みを指す。バリやヒケのような外観の不良は画像処理とディープラーニングの組み合わせで検出し、寸法不良は2Dカメラや3Dスキャナで取得した形状データを設計値と比較することで自動判定する。

医療機器向けの樹脂部品を手掛けるC社が導入した会社では、既存の検査ライン脇にカメラとエッジAIユニットを後付けし、検査員が目視で行っていた判定をAIによる自動判定に置き換えた。その結果、1個あたりの検査時間が約8秒から2秒に短縮し、検査員は最終確認と例外対応に専念できるようになった。

寸法検査については、成形品を検査治具に固定してレーザー変位センサーや3Dスキャナで複数点を同時に測定し、CADデータ上の設計値との差分を自動で計算する構成が一般的である。人が定規やノギスで測る場合と比べて、1点あたりの測定時間を大幅に短縮できるうえ、測定者による個人差も排除できる点が大きな違いになる。

AI外観検査の仕組み｜画像処理とディープラーニングでどう判定するか

AI外観検査は、大きく「学習」と「判定」の2段階で動く。まず良品・不良品を含む数百〜数千枚の画像を用意し、バリ・ヒケ・キズ・欠けといった不良の種類ごとにラベル付けをしてAIモデルに学習させる。次に、量産ラインに設置したカメラが撮影した画像をリアルタイムでモデルに入力し、良品か不良品かを瞬時に判定する。

一般的に、学習用の画像を数千枚規模で用意すると検出精度は95%前後まで高められるケースが多い。ただし、成形品の色や光沢、照明環境によって精度が変動するため、導入初期は検査対象の特性に合わせてカメラの角度・照明・アルゴリズムを調整する期間が必要になる。

また、AIモデルは一度導入すれば終わりではなく、新たな不良パターンが見つかるたびに追加学習させることで精度を継続的に高めていける点が、ルールベースの従来型画像処理検査との大きな違いである。判定の根拠となった画像や箇所を記録として残せるため、検査基準を「暗黙知」から「データ」に変えていく効果も見込める。

AI検査導入にかかるコストと投資回収の目安

樹脂成形業がAI検査を導入する際、最も気になるのがコストだろう。カメラ・照明・エッジAIユニットを既存の検査ラインに後付けする規模であれば、検査ライン1本あたり数十万円〜数百万円程度で始められるケースが多く、生産ライン全体を入れ替える大掛かりな全自動化投資に比べて負担は小さい。まずは不良発生率の高い工程に絞って導入するほうが、投資回収のスピードも速くなりやすい。

岐阜県で工業用樹脂パーツを製造するD社が導入した会社では、検査員2名分の人件費相当をAI検査に置き換える形で投資判断を行い、導入から約8ヶ月で投資回収の目安に達したという。人手不足で検査員の採用自体が難しい地方中小企業にとっては、新たに人を採用する場合の求人費用・育成期間・離職リスクと比較して検討する視点が欠かせない。

業種別の導入事例に見る効果｜検査工数と不良率はどう変わったか

樹脂成形・射出成形の現場でAI検査を導入した企業では、業種によって効果の出方に違いがある。代表的なパターンを整理する。

• 自動車部品(内装樹脂パーツ)を手掛ける企業：寸法不良の流出をほぼゼロに抑えつつ、検査工数を約4割削減
• 家電部品を製造する企業：ヒケ起因の返品が月間20件前後から3件程度まで減少
• 医療機器向け樹脂部品を製造する企業：検査時間を1個あたり8秒から2秒に短縮し、離職の多かった検査工程の負担を軽減

いずれの事例も、導入から2週間程度の調整期間を経て効果が安定し始めるという傾向が共通している。最初から完璧な精度を求めず、小規模な範囲で試しながら精度を高めていくアプローチが現実的である。

目視検査・従来の画像処理検査・AI画像検査を比較する

検査手法ごとの特徴を比較すると、それぞれの向き不向きが見えてくる。

表からわかるように、AI画像検査は初期コストこそ従来の画像処理検査よりやや高くなる場合があるが、未知の不良パターンにも学習によって対応できる点、属人化リスクを抑えられる点で、目視検査からの置き換え先として優位性が大きい。一方で、想定される不良の種類が極めて限定的で、成形条件も安定している工程であれば、従来型の画像処理検査で十分なケースもあり、すべてをAI化する必要はない。

地方中小企業がAI検査の導入でつまずくポイント

地方中小企業がAI検査を検討する際、最初から大規模なシステム投資を考えて「予算が合わない」と諦めてしまうケースが多い。しかし実際には、既存の検査ラインにカメラとAIユニットを後付けする形で、小規模に始められる方法も増えている。つまずきやすいのは、システムそのものではなく、属人化・人手不足・アナログ業務という三重の課題を整理せずに、ツール選定だけを先に進めてしまう点にある。

経済産業省がまとめた「ものづくり白書2024」でも、製造業における人手不足と技能承継の課題が指摘されており、検査工程の自動化は多くの中小製造業にとって共通の経営課題になっている。地方の樹脂成形業でも、同様の構造的な課題を抱えている企業は少なくない。

FURUSATOが支援する「業務変革」としてのAI検査導入

地方中小企業向けのAI活用・DX支援を行うFURUSATO（フルサト）は、樹脂成形業を含む製造業・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つ。特徴は、いきなり「AI検査システムを導入しましょう」とは提案しない点にある。まず無料の3時間現場セッションで現場を実際に見て、どの工程にどれだけの人手がかかっているか、検査基準がどれだけ担当者に依存しているかを一緒に整理することから始める。

FURUSATOが重視するのは「ITシステム導入」ではなく「業務変革」である。検査工程にAIカメラを入れるだけでは、担当者の動き方が変わらなければ運用が定着しない。経営者・社長自身を巻き込んで、検査基準の明文化や検査データの活用方法まで含めて変えていくことで、ツールが現場に根づく。中小企業基盤整備機構(smrj.go.jp)も、中小企業のデジタル活用支援において現場の業務プロセスの見直しを重視する方針を示しており、FURUSATOのアプローチとも重なる部分が大きい。

実際の3時間現場セッションでは、検査工程の担当者だけでなく、社長や工場長にも同席してもらうことを大切にしている。担当者だけで話を進めると、「今のやり方を変えると自分の評価が下がるのではないか」という心理的なハードルが働きやすく、変革が現場任せのまま止まってしまうことが多いためだ。経営者自身が課題を直接把握し、投資判断と業務変革の方針を示すことで、AI検査の導入は「担当者の負担を増やす新しい仕事」ではなく「会社として決めた変革」として現場に伝わりやすくなる。

樹脂成形業がAI検査を導入するまでの進め方

AI検査導入の進め方は、大きく4つのステップに整理できる。

• 現状把握：検査工程にかかっている人員・時間・不良の種類を棚卸しする
• 小規模なPoC(実証実験)：バリ・ヒケなど発生頻度の高い不良に絞って、既存ラインにカメラを後付けし精度を検証する
• 本導入：PoCで精度と効果を確認した範囲から、検査ライン全体へ段階的に広げる
• 運用改善：不良データを蓄積し、AIモデルを継続的に学習させて精度を高める

この一連の流れを自社だけで進めようとすると、どの不良から優先すべきか、どのカメラ・照明環境が適しているかの判断に時間がかかりやすい。無料の3時間現場セッションのように、外部の目で現状を整理してもらうことが、最初の一歩を早める近道になる。

静岡県で工業用ポリ製品を扱う樹脂成形業のE社の場合、検査記録は長年紙の手書きで管理されており、どの工程でどの種類の不良が多いのかを分析すること自体に手間がかかっていた。AI検査を導入した後は、判定結果が自動でログとして蓄積されるようになり、月次の不良傾向分析にかかる時間を大幅に削減できたという。現場の担当者が電卓と手書き帳票で集計していた作業が、システム上のダッシュボードを見るだけで済むようになった点も、日々の業務シーンとしては大きな変化だった。

補助金や支援制度を活用した導入のハードルの下げ方

AI検査の導入コストがハードルになる場合、国や自治体の補助金・支援制度を組み合わせることで負担を抑えられる余地がある。ものづくり補助金や事業再構築補助金など、生産性向上のための設備投資を対象にした制度は年度によって内容が変わるため、公募のタイミングと自社の投資計画を合わせて検討する必要がある。

地方中小企業の中には、こうした制度の存在自体は知っていても、申請書類の作成や事業計画の整理に手間取り、活用しきれていないケースも多い。設備投資の計画づくりと業務の見直しを同時に進めることで、補助金の申請根拠となる「導入の狙い」も明確になりやすい。FURUSATOの無料3時間現場セッションでは、こうした投資判断の前提となる現状整理も含めて相談できる。

補助金を活用する場合でも、審査では「なぜこの投資が必要なのか」を数値で説明できることが重視される傾向がある。検査工数・不良率・返品件数といった現状の数値を先に整理しておくことが、結果的に採択率を高めることにもつながる。

よくある質問（FAQ）

Q: AI検査を導入すると検査員は不要になりますか？

A: 検査員が不要になるわけではない。AIは定型的な良品・不良品判定を担い、検査員は例外対応や最終確認、AIモデルの精度改善といった判断業務に役割を移していくケースが多い。

Q: 小規模な工場でもAI検査は導入できますか？

A: 既存の検査ラインにカメラとAIユニットを後付けする方法であれば、大規模なシステム投資をせずに小規模な範囲から試すことができる。地方中小企業での導入例も増えている。

Q: 導入から効果が出るまでどのくらいかかりますか？

A: 事例では、導入から2週間程度の調整期間を経て検出精度が安定し始めるケースが多い。ただし成形品の色味や光沢、既存ラインの照明環境によって、調整に要する期間は前後する。

Q: 寸法不良もAIで検出できますか？

A: 可能である。2Dカメラや3Dスキャナで取得した形状データを設計値の公差と比較することで、バリ・ヒケのような外観の不良だけでなく、寸法不良も自動判定できる。

Q: FURUSATOに相談すると何から始まりますか？

A: まず無料の3時間現場セッションで検査工程や人員体制、検査記録の管理方法まで含めて一緒に確認し、課題を整理する。その後、優先度の高い不良から小規模な検証を始める流れが一般的である。

関連記事

• 畳製造のAI寸法検査｜い草の色ムラ判定と規格外品の自動選別
• 鋳物・鋳造業のAI外観検査ガイド｜巣・欠陥の自動検出と歩留まり改善
• 型抜き・金型製造のAI検査｜公差検査自動化・不良予測・設計最適化で品質不良と検査工数を減らす方法

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。