ものづくり・製造

外観検査AIの精度と限界：MVTec AD 2で苦手が解像度で入れ替わる

2026/8/16 （更新: 2026/10/10）

🤖 AIを使用して執筆

欠陥サンプルを集めずに始められる

外観検査をAIで自動化するとき、学習用の不良画像を集めることが障害となる。教師あり学習で不良を分類させるなら不良の画像が要る。ところが工程が安定しているほど不良は出ず、歩留まりが高い工程ほど学習データが集まらない。

そこで使われてきたのが教師なし異常検知である。正常品の画像だけを学習し、そこから外れたものを異常と判定する方式だ。それでも自社製品の正常画像を集めて学習を回す工数は残る。ゼロショットはその工数も外し、対象製品の画像を一枚も学習させずに検出させる。

視覚言語モデル CLIP は、画像とテキストを同じ埋め込み空間に写し、両者の近さを測れるモデルである。Li、Ivanova、Bruveris の FADE は、この CLIP を産業用の異常検知に適応させた。著者らが挙げる仕組みは三つ。多重スケールの画像特徴を言語側と揃うように取り出すこと、異常に関するテキストプロンプトの組（プロンプトアンサンブル）を自動生成すること（プロンプトは ChatGPT に作らせたもので、著者ら自身が再現できないと書いている）、問い合わせ画像と参照画像から得た視覚側の手がかりで検出を導くことだ¹。以下に引く FADE の数字は、手法の提案者が自分の手法について報告したものである（著者3名は商用企業 Onfido／Entrust に所属する）。

著者らは数値を画素単位の指標 pixel-AUROC で示している。pixel-AUROC は、画素ごとの判定の識別性能をしきい値を動かしながら面積で集計した値で、1に近いほど切り分けがよい。ゼロショットで MVTec-AD 89.6%、VisA 91.5%。正常画像を1枚だけ与える 1-normal-shot では MVTec-AD 95.4%、VisA 97.5% に上がる¹。BMVC 2024 に採択された査読付き論文である。本稿が引いているのは arXiv 版（2024年8月31日投稿）の数値で、BMVC の掲載版とは突き合わせていない¹。

これらは画素単位の数字である。良否の判定にあたる画像単位のゼロショット AUROC は MVTec-AD 90.0%、VisA 75.6% で、WinCLIP の 91.8%／78.1% を下回る。著者らもこの比較では、ゼロショットの FADE を WinCLIP の再現と書いている¹。しきい値を置いた画素判定の F1-max も、ゼロショットでは MVTec-AD 39.8%、VisA 16.7% にとどまる¹。著者らは結論部で適用の限界も切っている。ゼロショットの視覚誘導はクエリ画像自身のパッチから参照を作るため、革のようなテクスチャ画像ではよく効くが、トランジスタのような物体画像では効きが落ちて偽陽性を出す¹。

エッジ機で動いたという報告が出た

見えるかどうかと、ラインに載るかどうかは別だ。ゼロショット手法は大きな視覚言語モデルを抱えることが多く、検査装置のそばに置く小型計算機であるエッジデバイスには収まりにくかった。Khan らの LiZAD は、密で位置情報を保った画像特徴を出す DINOv3 と、計算量の軽い MobileCLIP2 のテキスト埋め込みを、学習可能な射影ヘッドで共通の潜在空間に写して組み合わせる²。

既存の最先端ゼロショット異常検知6手法と比べ、著者らはメモリ使用量が平均61.5%減、パラメータ数が74.6%減、レイテンシが3.02倍速になったと報告する。精度の代償は、データセットごとの最良値（手法をまたぐ）に対して平均 P-AUROC が 6.4 ポイント下がる（88.05% 対 約94.5%）というものだ。比較先は単一の手法ではない。4データセットの最良値のうち MPDD だけが AdaCLIP で、残る3つは Bayes-PFL である。実在する単一の最良手法（Bayes-PFL）と並べ直すと平均は93.3%で、差は5.25ポイントに縮む。データセットは VisA、BTAD、MPDD、MVTec-AD の4つ²。なお、これも手法の提案者自身が回した比較である²。

ただし効率側と精度側で分母が違う。61.5%・74.6%・3.02倍速は6手法の平均に対する値で（表の注記は「LiZAD の改善は全手法の平均に対するもの」）、6.4／5.25 は最良値に対する値である。平均側には P-AUROC が3割台のデータセットもある素の CLIP が入っている。分母を単一最良の Bayes-PFL に揃えると、3.52倍速・メモリ69.4%減・パラメータ78.7%減で代償が5.25ポイントになる。実在する最強の対抗手法と一対一で並べたほうが、LiZAD は全軸で良く見える²。

Jetson NX と Jetson AGX という2種のエッジデバイスに載せ、著者らの所属先であるヴェローナ大学 ICE Lab の生産ラインで定性的に試験している²。著者らが報告するのはそこでの精度ではなく速度と電力で、Jetson NX で1枚あたり754.6 ms・14.8 W、AGX で554.4 ms・28.5 W である²。IEEE COINS 2026 に採択された。

ベンチマークは情報を失っていた

セグメンテーションは、画像を画素単位で塗り分け、どの画素が欠陥かを示す処理である。Heckler-Kram らは、MVTec AD や VisA での性能がこのセグメンテーションの指標で頭打ちになったと指摘する。AU-PRO は、欠陥領域ごとにどれだけ正しく重なったかを、誤検出の水準を変えながら集計した値だ。この AU-PRO で、最先端の手法がしばしば1パーセントポイント未満の範囲で競り合う状態になっていた。著者らはこれを識別力の欠如と呼ぶ³。

指標は混ぜられない。AU-PRO は欠陥領域単位の重なりを、pixel-AUROC は画素単位の識別性能を測る別物で、データセットも違う。FADE の 89.6% と次節の 60% は直接比べられない。

難しい条件では6割に届かない

Heckler-Kram らは、その識別力を取り戻すために MVTec AD 2 を組んだ。このデータセットは8つの異常検知シナリオ、8,000枚を超える高解像度画像からなる³。評価を回したのはデータセットを作った当人たちである。著者らはマシンビジョンの商用ベンダー MVTec Software に所属する。評価された7手法は、いずれも対象ごとに正常画像で学習する教師なしの手法で、前節までのゼロショット手法は含まれていない。7手法の公式実装を対象ごとの調整なしに既定設定のまま動かしている（原文 without scenario-specific tuning of hyperparameters。掲載版は category-specific）。調整すれば上がる余地は残っている³。掲載版は、WinCLIP のような視覚言語モデルを評価していないことを自ら限界に挙げている。付録では GPT-4o-mini と Gemini 2.5 Flash を一部の対象の画像に定性的に当て、どちらも専用の異常検知手法に及ばなかったと書いている³。GPT-4o-mini に Fabric の公開テスト 26 枚の良否を分けさせた表では正解は 13 枚で、正常 11 枚のうち 8 枚を不良と判定した³。

結果として著者らが示したのは、最良の手法ですら AU-PRO（許容0.30）が58.7%にとどまるという一文だ（原文 the current best model achieves only 58.7% AU-PRO0.30）。7手法が一つも60%に届かず、平均は52.6%である。しかもこの許容0.30は著者らが「より寛容な設定」と呼ぶほうで、本ベンチマークの主指標である許容0.05ではどの手法も31%に届かない（最良の EfficientAD で30.8%。arXiv 版の値で、掲載版は INP-Former を加えて最良31.6%・全手法32%未満。いずれも8対象を平均した手法単位の値）³。

著者らは評価設計にも手を入れた。テストデータは3つに分かれ、うち2つは正解データが非公開である。この設計は、手法の側が公開された正解に合わせ込むという、既存ベンチマークの飽和の経路を塞ぐ。非公開側の一方は照明条件を変えてあり、実運用で起きる分布のずれに対する頑健性を測れる³。International Journal of Computer Vision に 2026年に掲載された。

掲げた難条件と、実際に落ちた対象は揃わない

掲げた難条件と対象別の成績を突き合わせるのは本稿であり、論文はこの比較をしていない。

論文がデータセットの難条件として掲げるのは、要旨では四つである。透明な対象と重なり合う対象、暗視野照明と逆光照明、正常データ自体のばらつきが大きい対象、そして極めて小さな欠陥だ（結論部ではさらに画像全域に分布する欠陥が加わり、画像端に接する欠陥は著者らが本文3.1節で述べる）³。暗視野照明とは、対象に斜めから光を当てて正反射光をカメラに入れず、傷などで散乱した光だけを拾う方式を指す。逆光照明は対象の背後から光を当て、輪郭を影として写す方式だ。

ただし、掲げた難条件のうち透明と逆光は、むしろ最も高い部類だった。 対象別の AU-PRO（許容0.05、照明変化なしの非公開テスト TESTpriv）を手法横断の最良値で並べると、逆光の Vial が63.0%、同じく逆光の Fruit Jelly が54.4% で8対象中の1位と2位である。前節の30.8%は、同じ指標を8対象で平均した手法単位の値である。低いのは反射する金属の Can が13.9%、暗視野の Sheet Metal が18.0%、重なり合う Wall Plugs が20.3%、テクスチャの Fabric が22.2% だった。測った結果の議論で著者らが対象名を挙げて難しいと書くのも Can だけである（原文 The object Can is especially challenging for the investigated state-of-the-art models.）。著者らはどの対象にどの難条件を割り当てたかを8対象すべてについて書いており（本文3.1節と表3）、ずれているのはその割り当てと実測の順位のほうだ³。

ただしこの並びは、評価の解像度が作っている。 これらは画像を 256×256 に縮小して回した条件の値で、同じ論文が原寸の半分で再評価した表では順位が入れ替わる。Fabric は 22.2% から 82.9% へ上がって上位に移り、Sheet Metal と Wall Plugs も大きく持ち直す。低いまま残るのは Can だけだ³。この表は学習時間の都合で DSR を Rice 以外で評価しておらず、最良値は6手法から取っている³。透明・逆光はデータセットの設計意図としての難条件であって、測ってみて落ちた側ではない。逆に、掲げられた条件のうち暗視野（Sheet Metal）と正常データのばらつき（Fabric・Sheet Metal）は、256×256 の既定条件では掲げたとおり下位に来ている。

256×256 の既定条件で実際に落ちた側に並ぶ性質は二つある。金属の正反射（Can・Sheet Metal がともに底）と、正常面のばらつき／テクスチャ（Fabric・Sheet Metal がともに底）である。後者は前段のとおり、評価の解像度を上げると持ち直す。前者も一様ではない。同じ反射する金属でも Sheet Metal は持ち直し、底に残るのは Can だけになる。もっとも Can の通常の撮影は、白い紙で拡散させた均一な照明で行われている。鏡面ハイライトを出すスポットライトは、照明を変えたテストにだけ加えられた。原典は Can の難しさとして、反射のほかにテクスチャ面の微小な欠陥と、缶の回転による正常品のばらつきを挙げており、どれが効いたかは切り分けていない。反射の影響が数字に出るのは照明を変えたテストのほうで、原寸の半分での Can の最良値は 26.6% から 15.8% へ下がる³。

なお「対象どうしの重なり」と「欠陥の見かけの小ささ」は、前段の二つの性質と違って上下を分けない。重なりに指定された3対象は Wall Plugs 20.3・Rice 27.6・Walnuts 51.8 と散らばり、小さい欠陥は最下位の Can にも1位の Vial にも付いている。正反射は照明の角度と偏光で、重なりは整列と単品化で、見かけの大きさはレンズの解像力と距離と画素数で決まる。つまり光学系、照明、治具という工場が自分で握っている変数だ。

一方、著者らが結論部で「MVTec AD 2 での成績は、概して画像サイズを大きくすることで上げられる」と書いた画像サイズは、このうちの画素数とは別の量である。動かしたのはカメラではなく、 2.6〜5 メガピクセルで撮影済みの画像を、モデルに入れる前にどこまで縮めるかだった。著者らの説明では、このデータセットは小さく低コントラストの欠陥を狙って設計されており、256×256 へ縮小する前処理の段階で欠陥そのものが消えるという仮説から、原寸の半分までの再評価を行った。その代わり実行時間とメモリは1桁以上増える。著者らの処方も、実行時間とメモリの面でモデルを効率よく大きくすることに置かれている。自社の欠陥が縮小で消える大きさなら、先に効くのはカメラの画素数ではなく、モデルへ渡す解像度のほうだ。

言葉と画素の粒度が合っていない

欠陥の位置を細かく当てられない理由の一端は、手法の側にもある。Fan らは、画像の説明文と画素パッチ単位の異常のあいだに意味的な不一致があると指摘する。従来手法は画像全体を指す説明文しか事前定義できず、それを画素パッチ一つひとつに突き合わせていた。細かい記述が欠けているため位置の特定が最適でなくなる、というのが著者らの診断だ⁴。画像全体を指す一つの記述では、基板のピンと抵抗のように別々の部品からなる面を、部品ごとに言い分けられない。著者らが挙げる例もそこである。

対策として Fan らは、多段階のテキスト記述を生成する MFSC と、多段階の学習可能プロンプトと意味整合を持つ FineGrainedAD を提案し、MVTec-AD と VisA の few-shot 設定で優れた性能を示したと報告している。ただし要旨に数値は載っておらず、著者らは成績を本文の表で報告している。著者ら自身の要約によれば、補助的な学習データなしに3つの少数ショット設定で画素単位 AUROC が既存手法を上回る⁴。arXiv 投稿時は査読前だったが、その後査読誌 Pattern Recognition に掲載された（vol.178, 113316）。

この記事はAIを使用して執筆されました。内容には誤りが含まれる可能性があります。事実や数字の出典は脚注から確かめられます。