射出成形のプラスチック製品をAIで色味・外観検査｜色差とショート・バリを自動検出

射出成形の現場でプラスチック製品の色味・外観検査を行う際、AIによる画像検査（CV）を使えば色差やショート・バリを自動で検出できます。

監修：FURUSATOコンサルタント（地方中小企業AI活用支援）

射出成形の色味・外観検査でAIが求められる理由とは

プラスチック射出成形の現場では、ロットごとの色味のばらつき、ショート（充填不足による欠け）、バリ（金型の合わせ目から樹脂がはみ出す不良）といった外観不良が発生します。これらは人の目視検査だけでは判定基準が担当者ごとにばらつきやすく、特にベテラン検査員の勘に頼った運用になっている工場ほど、属人化が進んでいます。

例えば自動車部品を成形する中小メーカーの場合、1日あたり数千個の外装部品を検査員2〜3名で目視確認しており、繁忙期には検査待ちの仕掛品が滞留し、出荷遅延につながっていました。検査員が休職・退職した際に検査精度が落ち、クレーム件数が一時的に増えるという事態も起きています。これはまさに地方中小企業に多い「属人化」「人手不足」の典型例です。

さらに、検査基準が「ベテランのAさんの感覚」に依存していると、新人教育にも時間がかかります。検査員の育成に半年〜1年かかるという工場も珍しくなく、その間は熟練者に検査業務が集中してしまい、本来任せたい金型調整や生産計画といった上流工程に手が回らないという悪循環が起きています。人手不足が慢性化する地方の製造現場では、検査業務そのものを自動化することが、限られた人員を付加価値の高い業務に振り向ける第一歩になります。

AI画像検査（CV：Computer Vision）は、カメラで撮影した製品画像を学習済みモデルで解析し、色差・形状異常・表面欠陥を数値化して自動判定する技術です。射出成形 プラスチック AI 色味 外観 検査を導入することで、検査基準を数値で固定でき、担当者が変わっても判定のブレがなくなります。

色味・色差検査とは何か｜AI画像検査（CV）の仕組み

色味・色差検査とは、基準サンプルとの色の差（色差ΔE）を数値化し、規格範囲内かどうかを判定する検査です。人の目では「ロットで色が違う気がする」という感覚的な判断になりがちですが、AI画像検査ではLab色空間などを使い、色差をΔE値として0.1単位で数値化します。一般的な工業製品では、ΔE2.0前後を良品と不良品の分岐点に設定するケースが多く、AIはこの閾値を一貫して適用し続けます。

家電メーカー向けの外装パーツを成形している工場の場合、白色パーツの黄変（樹脂の熱劣化による色味の変化）を目視で早期発見できず、出荷後にクレームが発生していました。AI色差検査を導入した後は、成形直後の検査ラインで黄変傾向のあるパーツを自動的にはじけるようになり、出荷後クレームが導入から3か月で約70%減少したという報告もあります。

色味検査に加えて外観検査では、キズ・異物混入・ヒケ（表面のへこみ）・フローマーク（樹脂の流れ跡）なども同時に判定対象にできます。カメラとライティングを製品形状に合わせて設計すれば、光沢のある黒色パーツや透明パーツといった、従来AIが苦手としていた素材でも検出精度を高められます。

食品容器を成形する会社の場合、原料樹脂のロット差によるわずかな色ぐすみが、担当者によって「気にするレベル」なのか「許容範囲」なのか判断が分かれ、営業からのクレーム対応に時間を取られていました。AI色差検査を導入し、ΔE値による合否ラインを明文化したところ、検査担当者間の判定の食い違いがなくなり、営業とのやり取りにかかっていた時間も月換算で数十時間削減されたといいます。数値基準を社内で共有できること自体が、属人化解消の大きな一歩になります。

ショート・バリをAIが自動検出する仕組みと精度

ショートとは、金型内に樹脂が十分に充填されず製品の一部が欠けてしまう不良で、バリとは金型の合わせ目（パーティングライン）から樹脂がはみ出す不良です。どちらも射出成形の代表的な不良であり、目視検査では見落としやすい微細なバリ（0.1〜0.3mm程度）が後工程や組み立て工程でクレームにつながることがあります。

AI外観検査では、良品画像と不良品画像を学習させたディープラーニングモデル（多くは畳み込みニューラルネットワーク、CNN）を使い、製品のエッジ形状・輪郭を画素単位で解析します。微細バリの検出精度は、照明条件を最適化した環境で95%前後まで高められるのが一般的な水準です。

精密部品を成形する地方の中小工場では、コネクタ部品の微細バリが原因で導通不良のクレームが月数件発生していました。AI外観検査ラインを導入した会社では、成形機の出口にカメラを設置し、全数検査に切り替えたところ、導入から2週間でクレーム件数がゼロになり、検査工数も1個あたり平均3秒まで短縮されています。人手による抜き取り検査では気づけなかった微細バリを、全数・高速で検出できる点がAI検査の強みです。

医療機器向けの樹脂部品を成形する工場の場合、要求される品質基準が一般工業製品よりも厳しく、これまでは抜き取り検査に加えて出荷前の最終確認を管理者自身が行っていました。AI外観検査ラインを導入した会社では、成形直後の全数検査に切り替えたことで管理者の最終確認工程そのものを廃止でき、管理者の検査関連業務時間が週あたり約10時間削減され、その時間を新規案件の見積もりや金型投資の検討に充てられるようになったといいます。

目視検査とAI画像検査（CV）の比較

目視検査とAI画像検査には、それぞれ得意・不得意があります。地方中小企業が自社の検査体制を見直す際の目安として、以下に比較表を示します。

射出成形 プラスチック AI 色味 外観 検査を導入した企業の数値変化

実際にAI色味・外観検査を導入した企業では、次のような数値変化が報告されています。日用品容器を成形する会社の場合、検査工程に3名体制を組んでいたところ、AI検査導入後は1名がライン監視をするだけの体制に変わり、検査人件費を月あたり約45%削減できました。浮いた人員は検査以外の付加価値業務（金型メンテナンスや生産計画）に再配置されています。

また、包装資材メーカーの場合、色味のばらつきによる返品率が導入前は月1.2%程度あったのに対し、AI色差検査を導入してからは返品率が0.3%まで低下しました。返品対応にかかっていた事務・営業の時間も削減され、間接的な業務負荷の軽減にもつながっています。

こうした効果は、単にカメラとソフトを導入すれば得られるものではなく、「どの工程で」「誰が」「どう判断を変えるか」という業務変革とセットで初めて実現します。ツールだけを入れて運用が定着しない、というのは地方中小企業のAI活用でよくあるつまずきです。

さらに、検査データが数値として蓄積されることで、これまで感覚頼りだった品質管理が「見える化」されるという副次効果もあります。プラスチック容器を成形する会社の場合、AI検査の判定ログを月次で振り返ることで、特定の金型・特定の成形条件で不良が集中していることが判明し、金型メンテナンスの周期を見直すきっかけになったという声もあります。検査の自動化は、単なる省人化にとどまらず、生産管理そのものを改善するデータ基盤としても機能します。

地方中小企業がAI外観検査を導入する進め方

AI色味・外観検査の導入は、いきなり高額なシステムを発注することではなく、まず自社の不良の発生パターンと検査業務の実態を洗い出すことから始めます。FURUSATO（フルサト）では、地方中小企業向けのAI活用・DX支援サービスとして、初回無料のオンライン相談（30〜60分）を実施し、いきなりシステム提案をするのではなく、お話を伺いながら課題整理を行うところから支援を始めています。

製造業だけでなく、建設業・物流・卸売業・サービス業など業種ごとに検査・品質管理の課題は異なりますが、業種別の支援実績をもとに、「ITシステム導入」ではなく「業務変革」として、担当者だけでなく経営者・社長を巻き込みながら、属人化・人手不足・アナログ業務という地方中小企業の三大課題の解消に取り組んでいます。

中小企業のAI活用は、大企業のような大規模投資を前提にする必要はありません。まずは検査工程の一部、例えば色差判定だけ、バリ検出だけといった限定範囲からスモールスタートし、効果を確認しながら段階的に対象工程を広げていくのが現実的な進め方です。中小企業のIT導入・生産性向上に関する公的な支援策については、中小企業庁（https://www.chusho.meti.go.jp/）の情報も参考になります。

進め方の目安としては、まず①現状の不良発生パターンとクレーム内容の棚卸し、②検査工程のどこにAIを組み込むかの優先順位づけ、③良品・不良品サンプルの収集とモデル構築、④現場での試験運用と閾値調整、⑤本格運用への切り替え、という5つのステップで進めます。プラスチック射出成形の会社の場合、この一連のプロセスを検査員・生産管理担当者・経営者が同じテーブルで議論することが重要で、「誰が最終判断を持つか」を曖昧にしたまま進めると、現場で運用が定着しないという失敗パターンが繰り返し見られます。FURUSATOの初回の現場セッションでは、こうした役割分担の整理も含めて、具体的な打ち手の方向性を一緒に固めていきます。

AI外観検査導入で気をつけたい落とし穴

AI外観検査の導入でよくある失敗は、学習データの不足です。良品・不良品それぞれの画像を十分に集められないまま検査モデルを構築すると、判定精度が安定せず、現場で「AIの判定が信用できない」という不満につながります。樹脂容器を成形する会社の場合、初期導入時に不良品サンプルが少なかったため誤検知が多発し、一時的に目視検査へ戻す判断をしたケースもあります。その後、不良サンプルを追加収集し、閾値を再調整したことで実運用に耐える精度まで改善しました。

また、照明環境の変化（工場内の自然光の入り方や、季節による室温変化での樹脂の反射特性の変化）も精度に影響します。導入時にはカメラ・照明の設計を専用のブースで固定化し、外乱を減らす工夫が欠かせません。労働災害防止や職場環境の観点からも、検査ライン周辺の作業環境整備は重要であり、厚生労働省（https://www.mhlw.go.jp/）が公開する職場改善に関する資料も参考になります。

もう一つの落とし穴は、現場の理解を得ないまま導入を進めてしまうことです。長年目視検査を担ってきた検査員にとって、判定基準が数値化されることは「自分の仕事が奪われる」という不安につながりかねません。樹脂雑貨を成形する会社では、導入前に検査員を巻き込んでAIの判定基準づくりに参加してもらい、「AIが一次判定を行い、最終確認は熟練者が担う」という役割分担に再設計したことで、現場の反発なく定着させることができました。ツールの導入と同時に、業務の役割分担そのものを見直す視点が欠かせません。

AI外観検査導入の費用感とROIの考え方

AI色味・外観検査の導入費用は、対象工程の範囲やカメラ台数、既存の生産ラインへの組み込み方によって幅がありますが、検査工程の一部（色差判定のみ、バリ検出のみなど）に絞ったスモールスタートであれば、数百万円規模から着手できるケースもあります。全ラインを一度に自動化するのではなく、最もクレームやロスが多い工程から着手し、投資回収の見込みを立てながら段階的に拡大するのが現実的です。

雑貨向け樹脂部品を成形する会社の場合、月間の不良流出によるクレーム対応コスト（返品・再出荷・謝罪対応の人件費を含む）が月50万円前後発生していました。AI外観検査を一部工程に導入したことで、クレーム対応コストが月10万円程度まで減少し、投資回収の目安が導入から1年半程度という試算になっています。ROIを判断する際は、検査人件費の削減額だけでなく、クレーム対応・返品対応・営業信用の維持といった間接的な効果も含めて評価することが重要です。

よくある質問（FAQ）

Q: 射出成形のAI色味・外観検査は中小企業でも導入できますか？

A: できます。検査工程の一部（色差判定だけ、バリ検出だけなど）からスモールスタートする方法が一般的で、初期投資を抑えながら効果を確認しつつ、段階的に対象工程を拡大していけます。

Q: 色差検査はどの程度の精度で判定できますか？

A: 一般的にΔE値を0.1単位で数値化でき、良品・不良品の閾値をΔE2.0前後に設定するケースが多く見られます。担当者ごとの感覚差がなくなり、判定基準を数値として社内共有できます。

Q: 微細なバリはAIでどこまで検出できますか？

A: 照明条件を最適化した検査環境では、0.1〜0.3mm程度の微細バリを95%前後の精度で検出できるとされ、抜き取り検査では見落としがちな不良も全数検査で拾えるようになります。

Q: 導入までにどのくらいの期間がかかりますか？

A: 現場調査、良品・不良品サンプルのデータ収集、モデル構築、現場での試験運用と閾値調整を含めると、対象工程の規模にもよりますが、数週間から数か月程度かかるのが一般的な目安です。

Q: FURUSATOに相談する場合、最初に何をしますか？

A: まず無料のオンライン相談で、お話を伺いながら課題を整理します。いきなりシステム提案はせず、業種や検査体制に合わせて必要な打ち手の方向性を一緒に検討するところから始めます。

関連記事

• メッキ・表面処理の色ムラ検査｜AI画像検査（CV）で光沢・色差を自動判定し不良を削減
• 染色・染物業のAI色味検査(CV)｜染めムラ・色差を自動判定し不良を削減する方法
• 金属めっき加工のAI検査｜膜厚・色ムラ検査とピンホールの自動判定

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。まず無料のオンライン相談（30〜60分）で、御社の課題を一緒に整理します。