ガラス製造のAI不純物検査｜気泡・異物を自動検出し歩留まりを改善

ガラス製造の現場では、気泡や異物の検査が歩留まりと信用を左右する。地方中小企業でもAI画像検査による自動判定が広がっている。

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）

ガラス製造の気泡・異物検査とは？目視検査が抱える限界

ガラス製造における気泡・異物検査とは、成形直後のガラス製品に含まれる気泡（ブツ）、異物混入、脈理（ゆがみ）などの欠陥を検出し、良品と不良品を選別する工程を指す。びん・板ガラス・食器・光学レンズ・医療用ガラス・自動車用強化ガラスなど製品形態は違っても、この検査工程の精度が歩留まりを直接左右する点は共通している。特に近年は取引先からの品質要求が年々細かくなっており、検査基準そのものが厳格化する一方で、それを支える検査人員は減っているという板挟みの状態にある地方の製造現場も多い。

多くの地方中小企業では、この検査を熟練検査員の目視に頼っている。ガラス瓶を製造するA社（従業員30名規模）の場合、検査ラインを任せられるベテランは長年2名だけで、若手への技術継承が進まないまま定年退職の時期が近づいていた。目視検査は集中力の持続時間に限界があり、稼働終盤になるほど見落としが増えることが現場でも経験的に知られている。実際、同社では夕方のシフトで検品をすり抜けた気泡入り製品の出荷後クレームが月に数件発生していた。

経済産業省が公表する「ものづくり白書」でも、地方の製造業において人手不足と技能継承の遅れが継続的な経営課題として挙げられている。検査工程の属人化は、ガラス製造業に限らず地方中小企業のAI活用が急がれる典型的な領域だといえる。

気泡・異物検査を見誤ると何が起きるのか（歩留まり・クレーム・信用）

検査精度の低下は、単なる不良品の混入では終わらない。食器用ガラスを製造するB社の場合、微小な異物混入が検品をすり抜けたことが原因で、大口取引先である飲食チェーンへの納品が一時停止になったことがある。取引再開までに品質管理体制の見直しと第三者検査の追加コストが発生し、信用回復には半年以上を要したという。

歩留まりへの影響も無視できない。仮に月産10万個のガラス製品を製造しているとして、検査精度の向上で不良流出率が1%改善するだけでも、原価ベースで月間数十万円規模の損失削減につながる計算になる。地方中小企業にとって、この1%の差は設備投資の意思決定を左右する水準の金額だ。

さらに見過ごされがちなのが、検査記録の不在という問題である。目視検査は判定結果を数値やログとして残しにくく、クレーム発生時に「なぜ流出したのか」を後から検証できない。板ガラス加工を行うC社では、過去の出荷不良の原因が検査工程にあったのか成形工程にあったのか特定できず、再発防止策の立案に時間がかかっていた。

太陽光パネル向けのカバーガラスを製造するJ社の場合は、また違った角度の問題を抱えていた。屋外で長期間使用される製品特性上、出荷時点では見えにくい微細な気泡が、数年後の温度変化でひび割れの起点になるリスクが指摘されていた。同社では出荷前の検査基準を引き上げたいと考えていたものの、検査員を増員するほどの余力がなく、既存の人員で精度を上げる方法を模索していた背景がある。こうした「検査基準を上げたいが人を増やせない」という悩みは、業種を問わず地方中小企業に共通するジレンマだといえる。

AI画像検査（ディープラーニング）で気泡・異物をどう自動検出するのか

AI画像検査とは、ライン上に設置した高解像度カメラでガラス製品を撮影し、ディープラーニングモデルが気泡・異物・傷などの欠陥パターンを自動判定する仕組みである。良品・不良品の画像を学習データとして与えることで、人の目では判別しにくい微小な気泡や透明に近い異物も検出できるのが特徴だ。

光学レンズ用ガラスを製造するD社の場合、検査ラインに高解像度カメラとAIモデルを組み込み、AIの一次判定と検査員の最終確認を組み合わせる「ダブルチェック体制」に移行した。導入後は検査員が全数を一から目視する必要がなくなり、疑わしい製品だけに検査員の注意を集中できるようになったことで、検査工程全体の負荷が下がったという。

一般的に、AI画像検査を導入した現場では、目視では検出しきれなかった微小な気泡の検出率が95%以上まで向上する事例も報告されている。加えて、判定結果が画像とスコアとしてログに残るため、クレーム発生時に該当ロットの検査記録をさかのぼって確認できるようになる点も、地方中小企業にとって大きなメリットになる。

医療用・化粧品用ガラスでは検査基準がさらに重要になる

ガラス製品の中でも、医薬品用アンプルやバイアル、化粧品用ボトルを製造する現場では、気泡・異物検査の基準が一段と厳しくなる。医薬品用ガラス容器を製造するG社の場合、微小な異物混入がそのまま健康被害につながりかねないため、一般的な食器用ガラス以上に検出漏れゼロに近い水準が求められていた。しかし、24時間稼働のラインを少人数の熟練検査員だけで支え続けるのは限界があり、夜勤帯の検査精度にばらつきが出ることが課題になっていた。

同社では、AI画像検査を夜勤帯から先行導入し、検査員が休憩中でも一定水準の一次判定を継続できる体制に切り替えた。厚生労働省が示す医薬品製造の品質管理（GMP）の考え方でも、工程の均質性と記録の担保が重視されており、AIによる自動判定とログ記録は、こうした規制対応の観点からも相性がよいといえる。

AI検査導入の投資対効果（ROI）をどう考えるか

自動車用の強化ガラスを製造するH社を例に、投資対効果を試算してみる。同社は月産8万枚のフロントガラスを製造しており、検査工程での不良流出率は導入前が約2.5%だった。AI画像検査を導入し、検査員との役割分担を見直した結果、不良流出率が1.2%まで低下し、1枚あたりの原価と流出後の返品・再加工コストを踏まえると、月間で数十万円規模のコスト削減につながったという。

重要なのは、この試算を導入前に自社の生産量・原価・現状の不良率に当てはめて仮に見積もっておくことだ。「何がどれだけ改善すれば投資回収できるか」を数字で共有できていないと、経営者と現場担当者の間で導入の優先度がかみ合わず、話が進まなくなりやすい。ここでも、いきなり設備を選定するのではなく、現状の数字を整理するところから始める価値がある。

目視検査とAI画像検査を比較する

目視検査とAI画像検査には、それぞれ得意・不得意がある。導入を検討する際は、どちらか一方に置き換えるというより、役割分担を前提に設計する視点が現実的だ。

この比較からもわかる通り、AI画像検査は万能ではなく、最終判断や例外対応には人の目が引き続き必要になる場面もある。重要なのは、検査工程のどこにAIを組み込み、どこを人に残すかを現場の実情に合わせて設計することだ。設計を誤ると、せっかく導入したAIが「一部の製品ラインでしか使われない」「結局すべて人が二重チェックしている」といった形骸化を招き、投資に見合った効果が出にくくなる。

ガラス 製造 気泡 異物 検査を導入する前に地方中小企業が確認すべきこと

AI画像検査を検討する際、いきなり「どのカメラを買うか」「どのベンダーに発注するか」から入ってしまう地方中小企業は少なくない。しかし、検査ラインの何が問題なのか、どの工程で不良が発生しているのかを整理しないまま設備投資をすると、導入後に「思ったほど歩留まりが改善しない」という結果になりやすい。

FURUSATO（フルサト）は、地方中小企業専門のAI活用・DX支援サービスとして、こうした「ツール先行」の失敗を避けるために、初回3時間の無料現場セッションから支援を始めている。いきなりシステムを提案するのではなく、まず検査工程・記録方法・人員配置を現場でヒアリングし、どこにAIを組み込むべきかを一緒に整理するところから着手する。

地方中小企業が抱える課題は、多くの場合属人化・人手不足・アナログ業務の三つに集約される。ガラス製造業の気泡・異物検査もこの三大課題の典型例であり、検査工程だけを切り出して自動化しても、周辺の記録業務や情報共有がアナログなままでは効果が限定的になる。前述の自動車用強化ガラスを手がけるH社でも、検査精度の課題を掘り下げていくと、検査結果を工程間で共有する仕組みがなく、成形工程の設定ミスが検査工程まで届いて初めて発覚するという情報連携の遅れが根本原因の一つになっていた。

AI画像検査導入でよくあるつまずきと対策

AI画像検査の導入がうまくいかない地方中小企業には、いくつか共通するつまずきのパターンがある。一つ目は、学習データの量・質が不足したまま本稼働に移行してしまうケースだ。窓用の板ガラスを製造するI社では、良品画像は十分に集めていたものの、不良品の画像パターンが少なく、実際の稼働初期に誤検出が多発した。結果として現場から「AIは使えない」という不信感が広がり、運用が形骸化しかけたという。

二つ目は、検査基準の言語化が現場任せになっているケースである。「なんとなく怪しい」という熟練検査員の勘をAIの学習データに落とし込めないまま導入すると、AIの判定基準と現場の感覚がずれ続けてしまう。三つ目は、導入後の運用担当者を決めないまま稼働させてしまうことだ。AIモデルは導入して終わりではなく、誤検出のフィードバックを受けて継続的に精度を調整していく必要があるが、この役割を誰も担わないと精度改善が止まってしまう。

これらのつまずきは、いずれも技術そのものの問題ではなく、導入前の現場整理と、導入後の運用体制設計が不十分なことに起因する。だからこそFURUSATOでは、機材選定より先に現場ヒアリングを重視し、検査基準の言語化や運用担当の割り当てまでを含めて一緒に整理する進め方を取っている。

導入の進め方——現場ヒアリングから始めるべき理由

板ガラス加工を行うE社の事例では、初回の現場ヒアリングに検査担当者だけでなく社長も同席した。ヒアリングの結果、課題は検査精度だけでなく、検査結果を紙の帳票に手書きで記録し、月末にExcelへ転記し直すというアナログな業務フローにもあることが判明した。

そこでE社では、AI画像検査の導入と同時に、検査データをそのままデジタル記録として残す仕組みを整備した。結果として、検査精度の向上だけでなく、月末の集計作業に費やしていた数時間の手作業も削減でき、経営者が生産状況をリアルタイムで把握できるようになったという。

このように、地方中小企業のAI活用支援では「ITシステム導入」ではなく「業務変革」として捉えることが重要になる。ツールを入れることが目的化すると、現場の運用に定着せず形骸化しやすい。FURUSATOが経営者を必ず巻き込んで支援するのも、現場の担当者だけでは変えられない業務フローの見直しには、経営者の意思決定が不可欠だからだ。

なお、中小企業庁所管の中小企業基盤整備機構（中小機構）も、地方中小企業のDX・生産性向上支援に関する情報を継続的に発信しており、公的な支援制度と合わせて活用を検討する価値がある。

AI検査導入後、成果が出るまでの目安

AI画像検査の導入効果は、業種や検査対象によって幅があるものの、一般的には導入から数週間〜1〜2か月ほどで検査精度の傾向が安定し始めるケースが多い。これは、AIモデルが実際のライン画像を学習データとして蓄積し、判定の精度を継続的に調整していく必要があるためだ。

ガラス食器を製造するF社では、AI画像検査を導入した最初の1か月は検査員による判定結果との突き合わせを続け、AIの判定基準を現場の感覚に合わせて調整した。2か月目以降は誤検出が大きく減り、検査員はAIが「疑わしい」と判定した製品だけを確認する運用に切り替えられたという。焦らず調整期間を見込んで導入計画を立てることが、地方中小企業のAI活用を定着させるコツになる。

この調整期間を短縮するためには、導入前にどれだけ現状の不良パターンを言語化・画像化できているかが鍵を握る。現場の検査員が「どういう状態を不良と判断しているか」を棚卸しし、それをAIの学習データ設計に反映できれば、本稼働までの試行錯誤を大きく減らせる。ここでも、機材の性能そのものより、導入前の現場整理にかける時間が成果を左右するといえる。

よくある質問（FAQ）

Q: ガラス製造の気泡・異物検査は、AIで完全に自動化できますか？

A: 一次判定の自動化は可能だが、例外対応や最終確認には人の目が引き続き必要になる場合が多い。AIと検査員の役割分担を工程ごとに設計し、記録として残す運用にすることが現実的である。

Q: AI画像検査の導入コストはどのくらいかかりますか？

A: カメラ台数や検査ライン数、学習データ整備の範囲によって幅があり、一律の相場は示しにくい。まず現場の検査工程と不良パターンを整理したうえで、必要な範囲を見積もることが重要になる。

Q: 中小企業でもAI画像検査を導入した実例はありますか？

A: びん・板ガラス・食器・光学レンズ・医療用ガラスなど、地方の中小規模のガラス製造業でも検査工程へのAI導入が進んでおり、歩留まり改善やクレーム減少につながった事例が報告されている。

Q: 導入までにどのくらいの期間がかかりますか？

A: 現場ヒアリングによる課題整理から始め、学習データの準備や検証・調整期間を含めると数か月単位になることが一般的である。段階的に稼働範囲を広げる設計が現実的である。

Q: 何から手をつければよいかわからない場合はどうすればいいですか？

A: 機材選定から入るのではなく、まず検査工程・記録方法・人員配置など現場の実情を整理することが先決である。外部の現場ヒアリング支援を活用するのも一つの方法である。

関連記事

• 製塩業のAI結晶・不純物検査｜塩の結晶と純度を自動判定し品質を安定
• 蜂蜜・はちみつ製造のAI結晶・品質管理｜結晶化と不純物を自動検査し品質を安定
• 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

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。