「人手不足対策やAI活用を検討してほしい」と経営層から言われ、画像認識AIの情報を集め始めたものの、自社のどの工程に使えるのか判断できず立ち止まっていませんか。展示会やニュースで「AI外観検査」「画像認識AI」という言葉は何度も見聞きしているのに、いざ調べると技術メディアの「仕組み解説」ばかりで、「で、うちのこの作業に使えるのか」という肝心の問いに答えてくれる記事が見当たらない、という方は少なくありません。
画像認識AIは、製造業の外観検査や小売業の在庫管理など、幅広い工程で活用が進んでいます。一方で、どんな工程にも万能に使えるわけではなく、「向く工程」と「現時点では難しい工程」がはっきり分かれます。ここを理解しないまま開発会社（ベンダー）に相談したり、PoC（小規模な試行）に踏み込んだりすると、「思ったように精度が出ない」「準備すべきデータが足りなかった」といったつまずきにつながりやすくなります。
大切なのは、技術の詳細を覚えることではなく、「自社のどの工程なら画像認識AIを適用できるか／できないか」を発注前に自分で見極められるようになることです。判断軸さえ持てれば、ベンダーへの相談も「うちの○○工程に使いたい。不良品の画像は○枚ある」と具体的に進められ、主導権を持って商談に臨めます。
本記事では、プログラミングの知識がない発注担当者の方に向けて、画像認識AIとは何かを業務目線で押さえたうえで、製造業・小売業それぞれの「使える工程」を具体的に紹介します。さらに、本記事の中核として「向く工程・向かない工程」を仕分けできる適用可否チェック早見表と、発注前に準備すべきデータ・環境を整理します。読み終えたときには、自社の現場を見渡して「この工程は候補になる／この工程は今は見送る」と判断できる状態を目指します。
業種別 AI 活用チェックリスト――製造・物流・医療・飲食・小売向け、自社に最適な AI 活用か判断するための問いかけ集
この資料でわかること
「自社業務に AI を使えるか判断できない」という課題を抱える業種担当者が、本チェックリストを用いることで、自社の業務課題・データ環境・リソースの観点から AI 活用の適否を自己診断できるようにする。
こんな方におすすめです
- 「自社業務にAIが使えるか判断できない」業種担当者
- 「どの業務からAI導入を始めればよいか」迷っている経営者
- 「AI活用の判断軸を持ちたい」DX推進担当者
入力いただいたメールアドレスにPDFをお送りします。
AIによる画像認識とは——発注者が押さえる基礎
AIによる画像認識とは（できることの3つの基本）
AIによる画像認識とは、ひとことで言えば「画像を見て、それが何か・どこに何があるか・正常か異常かをAIが判定する技術」です。人が目で見て「これは良品だ」「ここに傷がある」と判断している作業を、カメラで撮影した画像をもとにAIが代わりに判定してくれる、とイメージするとわかりやすいでしょう。
業務の言葉に置き換えると、画像認識AIができることは大きく次の3つに整理できます。
- これは何かを見分ける: 撮影した画像が良品か不良品か、どの商品カテゴリかを判別する
- どこに何があるかを捉える: 棚のどこに何の商品が何個あるか、部品がどの位置にあるかを検出する
- 正常からのズレを見つける: 傷・汚れ・欠け・異物など、いつもと違う状態を異常として検知する
まずは「画像を見て判定する作業を肩代わりしてくれる仕組み」という理解で十分です。技術的な詳細に踏み込む前に、自社のどの作業がこの3つに当てはまりそうかをイメージしてみてください。
従来の画像処理との違い——「ルールを書く」から「例から学ぶ」へ
画像をコンピューターで扱う技術自体は以前から存在し、製造現場でも「画像処理」として使われてきました。従来の画像処理とAI画像認識の最も大きな違いは、判定の作り方にあります。
従来の画像処理は、人があらかじめ「明るさがこの値を超えたら異常」「この大きさの黒い点があれば傷」といったルールを細かく書き込む方式です。判定基準が明確で安定している場面では強力ですが、傷の出方が多様だったり、製品ごとに見え方が少しずつ違ったりすると、ルールを書ききれずに精度が頭打ちになりがちでした。
一方のAI画像認識は、「正解の例」を大量に学習させることで判定の仕方そのものをAIが身につける方式です。良品と不良品の画像をたくさん見せることで、AIが「不良品とはこういう見た目の傾向だ」というパターンを自ら学び取ります。この「例から学ぶ」仕組みの中心にあるのが、ディープラーニング（深層学習。大量のデータからパターンを自動で学習するAI技術）です。
発注者として押さえておきたいのは、「ルールを書く」方式と「例から学ぶ」方式では、準備すべきものが変わるという点です。AI画像認識では、ルールの仕様書ではなく「良品・不良品などの画像（例）をどれだけ集められるか」が成否を左右します。この点はのちほど詳しく扱います。
画像認識はAIの「識別AI」に当たる
ここまで読んで「画像認識はAIの中でどういう位置づけなのか」と気になった方もいるかもしれません。AIにはいくつかの種類があり、画像認識は「これは何かを見分ける」識別AIに当たります。文章や画像を新しく作り出す生成AI、需要や売上を見通す予測AIとは役割が異なります。
自社の課題に対してそもそもどの種類のAIが合うのかを俯瞰したい場合は、AIの種類と使い分けもあわせてご覧ください。本記事は、その中の識別AIの代表例である画像認識にしぼって、製造業・小売業の工程への当てはめを掘り下げていきます。
なお、本記事では静止画を対象とする画像認識を扱いますが、カメラ映像を使った動画解析まで含めた広義の技術全体については、コンピュータビジョンの基礎と発注準備もあわせてご覧ください。
画像認識AIでできることの4類型
自社の工程に画像認識AIを当てはめるには、まず「やりたいこと」を画像認識の用途タイプに翻訳できると整理が進みます。ここでは、発注者が自社用途を言語化しやすいよう、できることを4つの類型に分けて紹介します。技術名を暗記する必要はありません。「自社でやりたいのはどれに近いか」を選べる状態を目指してください。
画像分類（これは何か）
画像分類は、撮影した画像が「どのカテゴリに当てはまるか」を判別する用途です。良品か不良品か、どの商品か、どの種類かといった「ラベル付け」を自動で行います。製造業なら良品・不良品の仕分け、小売業なら商品カテゴリの自動判別などが代表例です。
物体検出（どこに何があるか）
物体検出は、画像の中の「どこに、何が、いくつあるか」を捉える用途です。画像全体を1つに分類するのではなく、対象物の位置と個数を特定する点が画像分類との違いです。棚に並んだ商品の種類と数を数える、部品が所定の位置にあるかを確認するといった用途に向きます。
異常検知（正常からのズレ）
異常検知は、「いつもの正常な状態」からのズレを見つける用途です。傷・汚れ・欠け・異物混入など、想定外の状態を異常として捉えます。不良の出方が多様で「すべての不良パターンを事前に定義しきれない」場合に、正常品の見た目を基準にして外れを検出できる点が強みです。
文字認識・読み取り（ラベル・型番・伝票）
文字認識・読み取りは、画像の中の文字や数字を読み取ってデータ化する用途です。製品ラベルの型番、製造番号、伝票や帳票の記載内容などを、人が目視で転記する代わりに自動で読み取ります。検査結果の記録や入出庫管理の省力化につながります。
用途4類型の早見表
ここまでの4類型を、「インプット（何を撮るか）」「アウトプット（何が分かるか）」「代表的な業務用途」で整理すると、次の通りです。自社のやりたいことがどの行に近いかを確認してみてください。
用途タイプ | インプット（何を撮るか） | アウトプット（何が分かるか） | 代表的な業務用途 |
|---|---|---|---|
画像分類 | 1つの対象物の画像 | どのカテゴリ・良品/不良品か | 良品・不良品の仕分け、商品カテゴリ判別 |
物体検出 | 複数の対象物が写る画像 | 各対象物の位置と個数 | 棚の商品数カウント、部品の有無・位置確認 |
異常検知 | 対象物の画像（正常品が基準） | 正常からの逸脱の有無・箇所 | 傷・汚れ・欠け・異物の検出 |
文字認識・読み取り | 文字や数字が写る画像 | 読み取ったテキスト・数値 | 型番・製造番号・伝票の読み取り |
このあと紹介する製造業・小売業の工程は、いずれもこの4類型の組み合わせで成り立っています。「自社の工程はどの類型を必要としているか」という視点で読み進めると、適用可否の判断がしやすくなります。
製造業で画像認識AIが使える工程——外観検査を中心に
製造業で画像認識AIの活用が最も進んでいるのが、検査工程です。なかでも外観検査の自動化は、人手不足や品質の属人化という課題に直結するため、導入候補になりやすい領域です。ここでは工程ごとに「向く理由」と「導入前の前提」をセットで紹介します。
外観検査の自動化（傷・汚れ・欠け・色むら）
製品表面の傷・汚れ・欠け・色むらといった不良を見つける外観検査は、画像認識AIの代表的な適用工程です。これまで多くの現場では、ベテラン検査員が目視で判定してきました。しかし目視検査は、検査員によって判定がばらつきやすく、長時間の集中による見逃しも起こります。さらに、熟練検査員の退職によって判定基準が引き継げず、品質が属人化するという課題も深刻です。
画像認識AIは、こうした判定をカメラ画像から一定の基準で行えるため、検査品質のばらつき解消と省人化の両面で効果が期待できます。良品と不良品を画像分類する方式や、正常品を基準に異常を検知する方式が用いられます。
異物混入・組み付け・部品有無の検査
外観の傷以外にも、画像認識AIが活躍する検査工程があります。食品や部品への異物混入の検知、ネジやコネクタが正しく組み付けられているかのチェック、必要な部品がすべて揃っているか（部品の有無）の確認などです。
これらは「どこに何があるか」を捉える物体検出や、「いつもと違う状態」を見つける異常検知の用途に当たります。人が1つずつ確認していた工程を自動化することで、見逃しの低減と検査スピードの向上につながります。
ラベル・型番・印字の読み取り、安全管理
文字認識・読み取りの用途では、製品ラベルや型番、製造ロット番号、賞味期限の印字などを自動で読み取り、記録や照合を省力化できます。印字のかすれや欠けを異常として検知する使い方もあります。
また、近年は安全管理への応用も進んでいます。作業エリアでヘルメットや保護メガネなどの保護具を着用しているかをカメラ画像から検知し、未着用を警告する、といった用途です。検査だけでなく、現場の安全衛生にも画像認識AIの適用範囲は広がっています。
製造業で導入前に確認すべき前提
製造業で画像認識AIを検討する際、発注前に押さえておきたい前提が3つあります。
1つ目は、学習用の画像データの量です。AIに不良を見分けさせるには、良品・不良品の画像を学習させる必要があり、目的とする精度や対象物によっては数千〜数万枚規模のデータが必要になることが少なくありません（ネクストリーマー）。特に不良品は発生頻度が低く、十分な枚数を集めにくい点が現場の課題になりがちです（システムインテグレータ）。近年は、不良品サンプルが少なくても正常品を基準に学習する方式や、不良画像を人工的に生成して補う技術もありますが、「どれだけの画像が手元にあるか」は発注前に必ず確認したい項目です。
2つ目は、撮影環境です。照明の明るさやカメラの位置・角度が安定していないと、AIの判定精度は大きく揺らぎます。検査対象を一定の条件で撮影できる環境を整えられるかが、成否を分けます。
3つ目は、2Dカメラと3Dカメラのどちらが必要かという点です。表面の傷や色の判定は2Dカメラで対応できますが、立体的な形状の歪みや高さの違いを判定したい場合は、3DカメラやLidar（レーザーで距離を測るセンサー）が必要になることがあります。判定したい不良が「平面で見えるか／立体で見ないと分からないか」を整理しておくと、ベンダーとの相談がスムーズになります。
小売・流通業で画像認識AIが使える工程——在庫・棚・レジ
小売・流通業では、人手のかかる在庫確認や棚卸し、レジ業務の省人化を目的に画像認識AIの導入が進んでいます。ただし製造業の検査と比べて、店舗・倉庫という環境ならではの制約もあります。ここでも工程ごとに、向く工程と現時点の制約を正直に整理します。
在庫管理・棚卸しの省人化
棚を撮影した画像から商品の種類と数を把握し、欠品や在庫量を確認する用途は、小売・流通業で関心の高い領域です。棚卸しや欠品チェックは人手と時間がかかる作業のため、これを自動化できれば省人化の効果は大きくなります。物体検出によって「棚のどこに何がいくつあるか」を捉えるイメージです。
一方で、画像認識AIは光量・影・物の重なり・棚の奥行きといった環境の影響を受けやすく、袋入り部品や透明容器などは判定が難しいケースもあります（SmartMat）。対象や環境によっては、重量センサーやタグ管理など他の手段と組み合わせることで実用性が高まります。「どの商品を、どんな棚で、どんな照明のもとで撮るか」を具体的に想定しておくことが大切です。
棚割り・陳列チェック、来店者カウント・動線分析
画像認識AIは、店舗運営の分析にも活用されています。棚割り（商品の陳列計画）通りに商品が並んでいるかをチェックする、陳列の乱れや欠品を検知するといった用途です。本部が定めた陳列基準と実際の売場のズレを把握しやすくなります。
また、店舗のカメラ映像から来店者数をカウントしたり、店内の動線（人の流れ）を分析したりする用途もあります。どの売場に人が集まるか、どこで滞留・離脱するかを把握することで、レイアウト改善や人員配置の見直しに役立てられます。
無人レジ・ウォークスルー決済の現在地
レジ業務の省人化として注目を集めているのが、無人レジやウォークスルー決済（商品を持って店を出るだけで決済が完了する仕組み）です。国内でも、天井に設置した3Dカメラやセンサーで顧客の動きと商品を対応付ける店舗が実用化されており、高い商品識別精度を実現した事例も報告されています（TOUCH TO GO）。
ただし、これらは特定の店舗形態・商品構成のもとで成立している面があり、どんな店舗にもそのまま導入できる段階ではありません。システムに不慣れな顧客への対応や初期コストといった運用課題も指摘されています（AI Market）。無人レジは「すでに完成した万能技術」ではなく、自社の店舗条件に合うかを慎重に見極めるべき領域として捉えておくのが現実的です。
小売で導入前に確認すべき前提
小売・流通業で導入を検討する際は、製造業と同様に撮影環境（照明・カメラ位置）の安定が前提になります。加えて、対象とする商品の形状（透明容器・袋物・不定形のものは難易度が上がる）を確認しておく必要があります。
もう1つ見落としがちなのが、運用負荷です。商品の入れ替えが頻繁な小売では、新商品が出るたびにAIに学習させ直す手間が発生することがあります。導入後に誰がどう運用を維持するのかまで含めて検討することで、「導入したが使われなくなった」という事態を避けられます。
画像認識AIの適用可否を見極める——向く工程・向かない工程
ここからが本記事の中心です。製造業・小売業の工程を見てきましたが、共通して言えるのは「画像認識AIには向く工程と、現時点では難しい工程がある」ということです。この判断軸を持てれば、自社のどの工程を候補にすべきかを発注前に自分で仕分けできます。
画像認識AIが「向く」工程の条件
画像認識AIが力を発揮しやすいのは、次のような条件を満たす工程です。
- 判定基準が画像で見て取れる: 良品/不良品の違いや対象物の有無が、画像（見た目）から判断できる。匂いや触感など画像に写らない情報に頼らない
- 学習用の例を集められる: 良品・不良品、または対象物の画像を、ある程度の枚数まとめて用意できる
- 撮影環境を一定に保てる: 照明・カメラ位置・対象物の置き方を安定させられる
- 判定の正解が人の間で一致する: 「これは不良」「これは良品」という基準が、検査員によって大きくぶれない
これらを多く満たすほど、画像認識AIは安定した精度を出しやすくなります。製造ラインの定点カメラによる外観検査が代表例です。
現時点では「難しい」工程・条件
逆に、次のような条件に当てはまる工程は、現時点では画像認識AIだけでの実現が難しい、または相応の工夫が必要です。
- 不良の種類が無限に近く、サンプルが極端に少ない: 想定外の不良が次々に出る、不良品の画像がほとんど手元にない
- 対象物が透明・重なり合う・不定形: 透明容器や袋入り部品、積み重なって隠れる商品など、見た目で個体を分離しにくい
- 撮影環境が常に変動する: 屋外や照明が一定しない場所で、明るさや影が大きく変わる
- 判定が画像以外の情報に依存する: 匂い・手触り・重さ・温度など、カメラに写らない要素で良し悪しが決まる
これらは「絶対に不可能」という意味ではありませんが、追加のセンサー（重量・3D・Lidar等）との組み合わせや、長期的なデータ蓄積が前提になります。発注の初期段階で無理に狙うと、PoCでつまずきやすい領域です。
適用可否チェック早見表
自社の工程を当てはめてスクリーニングできるよう、業種横断のチェック早見表を用意しました。検討中の工程について、各観点を「はい／いいえ」で確認してみてください。「向く側」が多いほど画像認識AIの適用候補として有望、「難しい側」が多いほど慎重な検討が必要、という目安になります。
チェック観点 | 向く側（適用しやすい） | 難しい側（慎重な検討が必要） |
|---|---|---|
判定材料 | 良し悪しが画像（見た目）で判断できる | 匂い・手触り・重さなど画像に写らない情報に依存 |
学習データ | 良品・不良品/対象物の画像をある程度集められる | 不良の種類が無限で、サンプルがほとんどない |
対象物の形状 | 形状が安定し、個体を見分けやすい | 透明・不定形・重なり合って隠れる |
撮影環境 | 照明・カメラ位置を一定に保てる | 明るさや影が常に変動する |
判定基準の一致 | 良品/不良品の基準が人の間でぶれない | 判定が人によって大きく分かれる |
求める精度 | 人の最終確認と組み合わせる前提 | AIだけで100%の自動判定を求めている |
最後の行は特に重要です。画像認識AIは「人をゼロにする」よりも「人の負担を大きく減らし、最終判断を人が担う」形のほうが現実的に成果を出しやすい、という点を押さえておいてください。
発注前に準備すべきこと・開発会社への相談の進め方
適用候補となる工程が見えてきたら、次はベンダーへの相談に向けた準備です。準備が整っているほど、相談はスムーズに進み、見積もりや実現性の精度も上がります。
発注前に整理する3点
ベンダーに相談する前に、最低限この3点を整理しておくと、話が具体的に進みます。
- 対象工程: どの工程に画像認識AIを使いたいのか（例: 製品Aの表面傷の外観検査、倉庫Bの棚卸し）
- 判定したい内容: 何を見分けたいのか（例: 0.5mm以上の傷を不良とする、商品ごとの在庫数を数える）
- 保有データと撮影環境: 対象物や不良品の画像が何枚あるか、どんな照明・カメラ位置で撮れるか
特に3つ目の「画像が何枚あるか」は、ベンダーが実現性と工数を見積もるうえで欠かせない情報です。「不良品の画像は今は10枚しかない」という現状でも、正直に伝えることで「まず集め方から相談する」といった現実的な進め方が見えてきます。
スモールスタート（PoC）の考え方
画像認識AIの導入は、いきなり全工程を本番自動化するのではなく、PoC（概念実証。小規模に試して効果と実現性を確かめる工程）から始めるのが定石です。1つの対象品・1つの工程に絞って、「実際にどれくらいの精度が出るか」「現場の運用に乗るか」を小さく検証します。
PoCの段階で「思ったより精度が出ない」「データが足りない」と分かれば、本格導入前に方針を修正できます。最初から完璧な全自動を目指すのではなく、小さく試して見極めるという姿勢が、発注の失敗を避ける近道です。AIが何をどこまで担えるのかという全体感をつかんでおきたい場合は、AIでできること・できないこともあわせて参考になります。
開発会社に確認すべき質問例
ベンダーとの初回相談では、次のような質問を投げかけると、実現性とリスクを早い段階で把握できます。
- どれくらいの精度が見込めるか: 自社の対象・データ量で、どの程度の判定精度が期待できるか
- 誤判定時の運用はどうするか: AIが見逃したり誤検知したりした場合、人がどうフォローする設計にするか
- 学習データはどちらが用意するか: 画像の収集・整理（アノテーション）を自社とベンダーのどちらが担うか、その工数と費用はどうなるか
- 追加学習の運用はどうするか: 新商品や新しい不良パターンが出たとき、どう学習を更新していくか
これらを確認しておくと、過度な期待（100%の全自動化）に振り回されず、人とAIの役割分担を前提とした現実的な計画を立てられます。導入プロセス全体の流れを先に把握しておきたい方は、AI導入の進め方もご覧ください。
まとめ——画像認識AIは「適用工程の見極め」から始まる
最後に、本記事の要点を振り返ります。
AIによる画像認識とは、画像を見て「これは何か・どこに何があるか・正常か異常か」を判定する技術であり、AIの種類のうち識別AIに当たります。できることは画像分類・物体検出・異常検知・文字認識の4類型に整理でき、製造業の外観検査や小売業の在庫管理・棚卸しなど、幅広い工程で活用が進んでいます。
ただし、どんな工程にも万能なわけではありません。判定が画像で見て取れる・学習用の画像を集められる・撮影環境を一定に保てる工程は向きますが、透明や重なり合う対象、サンプルが極端に少ない不良、画像以外の情報に依存する判定は、現時点では難しい領域です。
自社で画像認識AIの活用を検討するなら、次の順序で進めるのがおすすめです。
- 自社工程を「向く／向かない」で仕分ける: 適用可否チェック早見表を使い、候補となる工程を絞り込む
- 準備すべきデータ・環境を確認する: 対象物や不良品の画像が何枚あるか、撮影環境を整えられるかを把握する
- 発注前の3点を整理する: 対象工程・判定したい内容・保有データと撮影環境を言語化する
- PoCで小さく試す: 1工程に絞って効果と実現性を検証し、本格導入の判断材料にする
まずは自社の現場を見渡し、「この工程は候補になりそうだ」という当たりをつけるところから始めてみてください。判断軸を持って臨めば、ベンダーへの相談も主導権を持って進められます。
業種別 AI 活用チェックリスト――製造・物流・医療・飲食・小売向け、自社に最適な AI 活用か判断するための問いかけ集
この資料でわかること
「自社業務に AI を使えるか判断できない」という課題を抱える業種担当者が、本チェックリストを用いることで、自社の業務課題・データ環境・リソースの観点から AI 活用の適否を自己診断できるようにする。
こんな方におすすめです
- 「自社業務にAIが使えるか判断できない」業種担当者
- 「どの業務からAI導入を始めればよいか」迷っている経営者
- 「AI活用の判断軸を持ちたい」DX推進担当者
入力いただいたメールアドレスにPDFをお送りします。
