ゴム製品製造のAI寸法・外観検査（vision）｜成形公差と欠陥を自動測定し不良を削減

ゴム製品製造の現場では、成形品の寸法や外観検査を目視や熟練者の勘に頼るほど、ゴム製品 製造 AI 寸法 外観 検査への切り替えが不良削減の近道になる。

監修：FURUSATOコンサルタント（地方中小企業AI活用支援）

ゴム製品製造の検査現場が抱える三つの課題

ゴム製品は金属や樹脂と違い、成形時の収縮率が素材配合や温度・湿度によって変動しやすい。そのため同じ金型で成形しても、ロットごとに寸法がわずかにばらつく。この特性が、検査工程を属人化・人手不足・アナログ業務という地方中小企業に共通する三大課題に直結させている。

典型的な業務シーンはこうだ。成形機から出てきたゴムパッキンを検査員がノギスで数点抜き取り測定し、残りは目視で気泡・欠け・バリの有無を確認する。検品台帳は紙の記入用紙かExcelへの手入力で、判定基準は「先輩から教わった感覚」に依存する。検査員が休むと出荷判定ができる人がいなくなり、ラインが止まる、というのは地方の中小ゴム加工工場で実際によく聞く話だ。

経済産業省の「ものづくり白書」でも、製造業における人材不足と技能継承の遅れが繰り返し指摘されている。経済産業省の調査を踏まえても、検査工程の技能継承は多くの中小製造業に共通する構造的な課題であり、ゴム製品製造業も例外ではない。

特にゴム製品は「触った感触」「表面の光沢の違い」といった、言語化しづらい判断基準で合否を決めているケースが少なくない。ベテラン検査員は無意識のうちに何百通りものパターンを記憶しているが、それを新人にマニュアルとして引き継ぐのは難しい。結果として、退職や異動のたびに検査品質が一時的に下がり、クレームが増えるという悪循環が地方の中小ゴム加工工場では珍しくない。さらに紙の検品台帳やExcel管理では、いつ・どの工程で・どんな不良が出たのかを後から分析することも難しく、同じ種類の不良を繰り返し出荷してしまうリスクも残る。

ゴム製品 製造 AI 寸法 外観 検査とは何か

ゴム製品 製造 AI 寸法 外観 検査（AI vision検査）とは、成形品を高解像度カメラで撮影し、AIの画像解析モデルが寸法・輪郭・表面状態を自動で数値化・判定する仕組みを指す。従来のノギスや目視による抜き取り検査と異なり、全数検査を数秒単位で完結できる点が最大の違いである。

具体的には次の三つの機能を組み合わせて運用する。

• 寸法測定：外径・内径・厚み・角度などをサブミリ単位で自動計測し、公差から外れた製品を自動で弾く
• 外観検査：気泡、欠け、バリ、異物混入、色ムラなどをディープラーニングで検出する
• データ蓄積：検査結果をロットごとに自動記録し、不良傾向の分析やトレーサビリティに活用する

ある工業用ゴムパッキン製造の会社（従業員28名）では、AI vision検査を導入した結果、抜き取り検査から全数検査に切り替わり、出荷後クレーム件数が導入後3カ月で約60%減少した。検査員1名が1日あたり手作業で検品していた数量の約4倍を、AIカメラ1台が代替した計算になる。

導入前は「検査に人を割く」こと自体がボトルネックになっていた。受注が増えても検査員を急に増やせないため、成形能力があっても出荷数を増やせないという状態が続いていたという。AI vision検査を導入したことで、成形ラインの生産数に検査能力が追いつく体制が整い、繁忙期の残業時間も削減できた。これは単なる「検査の自動化」ではなく、生産全体のボトルネック解消につながった典型例だといえる。

成形公差とゴム特有の欠陥、検査が難しい理由

ゴム製品の成形公差は、金属加工の公差管理とは前提が異なる。ゴムは加硫（硬化）工程で収縮するうえ、配合するコンパウンドのロット差、金型の温度分布、加硫時間のわずかな違いによっても仕上がり寸法が変動する。そのため一般的な工業製品よりも公差範囲が広めに設定されがちで、逆に「どこまでが許容範囲か」の判断が検査員の経験に依存しやすい。

外観面でも、ゴム特有の欠陥は多岐にわたる。

欠陥の種類	発生原因の例	目視検査での見逃しやすさ
気泡（ボイド）	加硫時のガス抜き不足	表面付近は発見しやすいが内部は困難
欠け・クラック	離型時の応力集中	照明条件により見落としやすい
バリ残り	金型合わせ面のズレ	薄いバリは検査員の疲労時に見逃しやすい
色ムラ・焼け	加硫温度の局所的な過多	微妙な濃淡差は個人差が出やすい

自動車部品向けゴムシールを製造するB社（従業員45名）では、以前は検査員によって不良判定の基準にばらつきがあり、同じ製品でもベテランとパート従業員とで合格率が10ポイント近く異なっていた。基準のばらつきは、クレーム対応コストの増加という形で経営に跳ね返っていたという。

B社ではこの状況を受け、まず良品・不良品のサンプルを数百点単位で撮影し、AIモデルに「合格ライン」を学習させるところから着手した。ポイントは、ベテラン検査員が実際に合否を判定した画像をそのまま学習データに使ったことだ。これにより、属人化していたベテランの判断基準を、データという形で会社の資産として残すことができた。検査員が異動・退職しても、判定基準そのものは失われない仕組みになっている点が、地方中小企業にとっての大きな利点である。

AI寸法・外観検査（vision）の仕組みと導入効果

AI vision検査システムは、大きく「撮影」「解析」「判定」「記録」の4ステップで動く。ラインに設置したカメラが成形品を撮影し、事前に良品・不良品の画像を学習させたAIモデルが寸法と外観を同時に評価、公差や欠陥基準から外れたものを自動で排出する。判定結果はデータベースに自動蓄積され、日次・週次の不良傾向をグラフで確認できる。

効果は主に三つの数値で表れる。

• 検査時間の短縮：目視での抜き取り検査に比べ、全数検査でも1個あたりの検査時間を数秒以内に短縮できるケースが多い
• 不良流出率の低下：ゴムホース製造のC社（従業員19名）では、AI外観検査導入後、出荷後の不良流出件数が導入前の月平均から約7割減少した
• 検査人員の再配置：検査専任だったパート従業員を、成形機のオペレーションや梱包工程に再配置できた事例もある

厚生労働省が公表する労働経済の資料でも、製造業における人手不足は継続的な課題として挙げられている。厚生労働省のデータからも読み取れるように、限られた人員で検査品質を維持するには、検査工程そのものを自動化する発想への転換が避けられない状況になりつつある。

また、AI vision検査の効果は「検査そのもの」だけにとどまらない。検査データが自動的に蓄積されることで、どの成形機・どの金型・どの時間帯に不良が集中しているかを分析できるようになる。ある会社では、この分析によって特定の金型のメンテナンス時期が近づくと欠陥率が上がる傾向が見えてきたため、金型交換のタイミングを予防的に前倒しする運用に変えた。検査工程が「不良を弾く最後の砦」から「生産全体の品質を改善するためのデータ源」に変わったことで、不良率そのものを下げる効果も生まれている。

業種別に見るゴム製品AI検査の導入事例

ゴム製品製造といっても、扱う製品や工程によってAI検査の導入ポイントは異なる。ここでは業種特有の事例を紹介する。

建設・土木用ゴム部材を製造するD社（従業員33名）の場合、止水材や防振ゴムなど大型・厚肉の成形品を扱っており、内部の気泡が構造上の欠陥につながりやすいという課題があった。AI外観検査に加えて寸法測定を組み合わせたことで、これまで抜き取りでしか確認できなかった厚み精度を全数管理できるようになり、現場の検査担当者からは「合否判定で迷う時間がなくなった」という声が出ている。

自動車部品向けOリング・シールを製造する会社の場合、多品種少量生産のため製品ごとに検査基準を切り替える手間が課題だった。AI vision検査では製品型番ごとに判定モデルを登録できるため、段取り替え時の基準設定ミスが減り、新人検査員でもベテランと同水準の判定精度を再現できるようになったという。

工業用ゴムパッキンを製造する会社の場合、前述のとおり出荷後クレームが大幅に減少しただけでなく、検査データが自動的に蓄積されることで、どの成形機・どの時間帯に不良が集中しているかを分析できるようになり、金型のメンテナンス周期の見直しにもつながった。これは検査を「不良を弾く工程」から「品質改善のデータ源」に変える発想の転換であり、地方中小企業のAI活用における典型的な成功パターンだ。

卸売・商社を通じてゴム部品を供給している成形メーカーの場合、取引先ごとに検査基準や納品書フォーマットが異なり、検査結果の記録作業そのものが大きな事務負担になっていた。AI vision検査を導入し、判定結果を取引先ごとのフォーマットに自動出力できるようにしたことで、検品後の事務作業時間が大幅に減り、営業担当者が本来注力すべき提案活動に時間を割けるようになったという。検査の自動化が、間接部門の負担軽減にまで波及した事例である。

これらの事例に共通するのは、AI vision検査を単体の設備投資として捉えるのではなく、検査・生産・営業事務までを含めた業務全体の見直しの一部として位置づけている点だ。地方中小企業のAI活用では、システムを入れること自体が目的化してしまうと効果が限定的になりやすい。どの業務の、どの課題を解決するためにAIを使うのかを最初に明確にすることが、投資対効果を高める鍵になる。

目視検査・従来型画像処理・AI vision検査の違い

導入を検討する際によく比較されるのが、従来の目視検査、ルールベースの画像処理検査、そしてAIによるvision検査の3方式である。それぞれの特徴を整理する。

方式	検査速度	判定基準の一貫性	新製品への対応	初期投資
目視検査	遅い（個人差あり）	低い（検査員による）	柔軟だが再教育が必要	低い
従来型画像処理（ルールベース）	速い	高い（ただし融通が利かない）	都度パラメータ調整が必要	中程度
AI vision検査	速い	高い（学習データに基づく）	追加学習で対応しやすい	中〜高程度

従来型画像処理は「決められた形状・色との差分」を検出する仕組みのため、ゴム製品のように個体差が大きい素材では誤検出が多くなりがちだった。AI vision検査は良品・不良品の画像パターンを学習するため、ゴム特有の自然なばらつきと本当の不良を区別しやすい点が、ゴム製品製造との相性の良さにつながっている。

地方中小企業がAI検査を導入する進め方

AI vision検査の導入で失敗しやすいのは、いきなり高機能なシステムを一括導入しようとするケースだ。検査対象の製品点数が多いゴム製品製造業では、まず不良発生率が高い製品ラインや、クレームコストの大きい工程から絞り込むことが重要になる。

FURUSATO（フルサト）では、地方中小企業向けのAI活用・DX支援において、いきなりシステムを提案することはしない。まず無料のオンライン相談（30〜60分）で成形工程・検査工程の状況をお伺いし、どこにボトルネックがあるのか、どの検査項目から自動化すべきかを一緒に整理するところから始める。ツールの導入そのものではなく、検査業務の仕組みそのものを見直す「業務変革」を重視しているためだ。

実際の進め方は次のような流れになることが多い。

• 現場セッションで成形〜検査〜出荷までの工程と、不良発生の実態をヒアリング
• 不良率・クレーム件数が高い製品を優先対象として選定
• 良品・不良品の画像データを一定数収集し、AIモデルの学習に使う
• 小規模なライン・製品でPoC（試験導入）を行い、判定精度を検証
• 効果を確認した上で対象製品・ラインを拡大していく

この進め方の重要な点は、担当者だけでなく経営者・社長を巻き込んで進めることだ。検査工程の自動化は、検査員の配置転換や品質保証体制の見直しといった経営判断を伴うため、現場だけで完結させると導入後に形骸化しやすい。中小企業のAI活用を定着させるには、トップの合意形成を初期段階から並走させる必要がある。

中小企業診断や経営支援に関する公的な情報は、中小機構などの資料も参考になる。自社だけで検討を進める前に、こうした公的機関の情報や外部の伴走支援を活用することで、遠回りせずに検査自動化の第一歩を踏み出せる。

導入コストについても誤解が多い。AI vision検査というと大掛かりなシステム投資を連想しがちだが、実際には検査対象を1〜2製品に絞ったPoCから始め、効果を確認しながら段階的に投資額を広げていく進め方が一般的だ。いきなり全ラインに導入するのではなく、まず不良率が高く効果を実感しやすい工程で小さく試すことが、地方中小企業がAI活用で失敗しないための基本方針になる。無料のオンライン相談にこだわるのも、こうした「小さく試して確実に効果を出す」進め方を、提案段階から現場に即した形で設計するためである。

また、AI検査の導入は情報システム部門がある大企業だけの取り組みではない。専任のIT担当者がいない地方中小企業ほど、外部の伴走支援を受けながら進めるほうが結果的に早く、失敗も少ない。製造業に限らず、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がある相談先を選べば、業種特有の事情を踏まえた提案を受けられる。

よくある質問（FAQ）

Q: ゴム製品 製造 AI 寸法 外観 検査はどんな企業規模でも導入できますか。

A: 従業員20〜50名規模の中小ゴム製造業での導入事例が多く、検査対象製品を絞ってPoCから始めれば規模を問わず着手しやすい。

Q: 導入までにどれくらいの期間がかかりますか。

A: 画像データ収集とモデル学習を含め、PoC開始から数カ月程度で判定精度を検証できるケースが一般的である。

Q: 既存の検査員の仕事はなくなりますか。

A: 検査員が不要になるのではなく、単純な合否判定をAIに任せ、判定基準の調整や品質改善分析といった業務へ再配置する形が多い。

Q: 内部の気泡など見えにくい欠陥も検出できますか。

A: 表面のカメラ撮影に加えてX線検査などを組み合わせることで、内部欠陥の検出精度を高める運用が可能である。

Q: FURUSATOに相談すると何から始まりますか。

A: まず無料のオンライン相談で検査工程の状況をお伺いし、課題整理から着手する。いきなりシステム提案は行わない。

関連記事

• 歯車・精密切削加工のAI寸法検査（vision）｜歯形公差を自動測定し全数検査を実現
• 金型製造のAI寸法検査（vision）｜微細公差を自動測定し金型の精度を担保する方法
• 石材加工・墓石製造のAI寸法検査（vision）｜切削公差を自動測定し検品を効率化

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。