【製造業のAI活用】株式会社ヨシズミプレス画像検査AI導入の全貌

株式会社ヨシズミプレスのAI活用とは、月産50万個にのぼる直径わずか5mmの半導体レーザー部品を対象に、自社で整列機を製作してAI画像検査システムを構築し、目視検査の総時間を月40%・目視対象個数を95%削減することに成功した、従業員約20名の中小製造業による自主的なAI導入の先進事例です。

この取り組みは、外部ベンダーに丸投げするのではなく、自社でデータを集め、整列機を製作し、約4〜5ヶ月をかけて試行錯誤しながらシステムを立ち上げたという点で、大企業に比べてリソースが限られる中小製造業にとって特に参考価値の高いモデルケースです。

この記事では、ヨシズミプレスのAI導入の背景・直面した課題・導入のステップ・具体的な成果・中小製造業が今すぐ参考にできるポイントの順に、製造業のAI・DX導入に関心のある方にもわかりやすく解説します。

「うちのような小さな会社にAIは無理だろう」「専門の技術者もいないし、導入費用も高そう」——製造業でこうした声を聞くことは珍しくありません。しかし株式会社ヨシズミプレスの取り組みは、その思い込みを覆す実例です。

金型製作から順送プレス加工までの一貫生産を行う同社は、自動車の自動運転技術を支える半導体レーザーという高品質が求められる部品の製造において、社内のアイデアと試行錯誤だけでAI画像検査システムを立ち上げました。その過程と成果は、同じ課題を抱えるすべての中小製造業に希望と実践的なヒントを与えてくれます。

株式会社ヨシズミプレスとはどんな会社か？

株式会社ヨシズミプレスは、金型製作から順送プレス加工までの一貫生産を行う金属プレス加工業の中小企業です。

従業員数は約20名という規模でありながら、自動車の自動運転センサーに使用される半導体レーザー（レーザーダイオード）部品など、精密さと品質が厳しく求められる部品の製造を手がけています。

製品の一例が直径わずか5mm程度の半導体レーザー部品で、これは自動車の自動運転システムに用いられるLiDAR（光検出・測距）センサーなどに搭載される重要なコンポーネントです（参考：AI-LinX、feer-design.com）。

「一貫生産」という強みと、その裏にある品質プレッシャー

同社の強みは、金型の設計・製作から最終的なプレス加工まで社内で完結できる「一貫生産体制」にあります。

この体制は、顧客への短納期対応やコスト競争力に直結する一方で、品質管理も一貫して自社で責任を持つということを意味します。とりわけ自動運転センサー向けの部品は、品質不良が安全性に直結するため、出荷検査の水準が極めて高く設定されています。この品質プレッシャーが、AI導入の出発点となりました。

AI導入前の深刻な課題：月産50万個を6名・10日間で目視検査

ヨシズミプレスがAIを導入する以前の検査体制は、人手に頼った膨大な作業量の連続でした。

同社では月産50万個の製品を製造しており、これらすべてを6名の検査員が顕微鏡を使って目視で確認するという体制が取られていました。

この検査作業だけで毎月約10日間を費やしており、直径5mm程度の微細な部品を顕微鏡で長時間見続けるという過酷な作業が検査員の心身に大きな負担をかけていました（参考：AI-LinX）。

「見続けること」の限界：集中力低下と属人化の二重問題

目視検査の問題は、単に時間がかかるというだけではありませんでした。

繊細な部品を長時間顕微鏡で見続けることで、検査員の集中力は必然的に低下します。集中力が落ちれば、本来見つけるべき傷・変形・汚れなどの不良を見逃すリスクが高まります。

さらに深刻なのが、検査基準の「属人化」問題です。何が良品で何が不良品かの判断が、ベテラン検査員の経験と感覚に依存していたため、担当者によって判定にばらつきが生じていました（参考：feer-design.com）。

高齢化と人手不足がダブルパンチで追い打ち

人手による目視検査の体制を維持することが難しくなっていたもう一つの理由が、検査員の高齢化と若手人材の不足です。

長年にわたって培われた「熟練の目」は一朝一夕では育ちません。しかし現場では、その熟練検査員の高齢化が進み、後継者となる若手人材の確保・育成が困難な状況が続いていました。

このままでは「匠の技」が消滅し、品質保証体制そのものが崩壊するという事業継続リスクが現実のものとなっていたのです（参考：feer-design.com）。

なぜ「目視検査の限界」が生まれたのか？3つの構造的問題

ヨシズミプレスが直面した課題は、同社だけの特殊な問題ではありません。日本の製造業全体が抱える構造的な問題が、この一社に凝縮されています。

問題①：少子高齢化による慢性的な検査人員不足

製造業の目視検査は、繊細な感覚と集中力が求められる仕事です。

しかし日本では労働力人口の減少が続いており、特に工場での検査・製造ラインの担い手となる若い世代の確保が難しくなっています。

経済産業省の「ものづくり白書2024」によると、製造業のDX取組率は77.0%に達しており、人手不足への対応策としてAI技術の活用が加速しています（参考：SmartCloudコラム）。

問題②：品質要求の高度化と検査工数の矛盾

半導体・自動車・医療機器などの高精度部品分野では、顧客からの品質要求が年々高まっています。

しかし品質要求が高まれば高まるほど、検査に必要な時間・人員・精度も増大します。

品質基準の高度化と人手確保の困難という相反する力が同時に働く中で、従来の目視検査体制を維持し続けることは、製造コストの上昇と品質リスクの増大という二重の問題を引き起こします。

問題③：熟練技能の「暗黙知」が継承できない

目視検査で培われた熟練者の「判断力」は、マニュアルに書き起こすことが難しい「暗黙知」であることが多くあります。

「この傷はOKだが、こちらはNG」という微妙な判断基準は、長年の経験によって身体に染み込んだものであり、言葉や数値だけでは次世代に伝えられません。

熟練者が退職すればその知識は失われ、品質の継続性が失われるリスクが生まれます。AIはこの「暗黙知のデジタル化」という課題に対して、有力な解決策を提供します。

AI導入を決断した理由：「自社でできる」という発想の転換

ヨシズミプレスがAI導入を決断した最大の理由は、「このままでは品質保証体制が成り立たなくなる」という危機感でした。

月産50万個・6名・10日間という検査体制は、人員が一人でも欠ければ破綻するほどギリギリのものでした。

さらに検査員の高齢化が進む中で、この体制を将来にわたって維持することが構造的に不可能であることは明らかでした。「外部に頼るより、自分たちでやってみよう」という経営判断が、AI導入プロジェクトの出発点となりました。

「専門家がいない」からこそ自社製作という選択

ヨシズミプレスのAI導入で特筆すべき点は、整列機（部品を検査のためにきれいに並べる機械）を自社で製作したことです。

既製品の整列機では微細な半導体レーザー部品の形状・サイズに対応しきれないと判断した同社は、自社の加工技術を活かして整列機を内製しました。

「専門家がいないからできない」ではなく、「自分たちの技術でできる部分は自分たちでやる」という姿勢が、コスト抑制と自社ノウハウ蓄積を同時に実現しています（参考：Salesforce ブログ）。

AI導入のステップ：整列機の自社製作からシステム立ち上げまで

ヨシズミプレスがAI画像検査システムを立ち上げるまでには、約4〜5ヶ月の試行錯誤がありました。

以下に、その主なステップを順に解説します（参考：Salesforce ブログ、AI-LinX）。

ステップ①：整列機の自社製作

AI画像検査の最初のハードルは、「製品を安定的にカメラの前に並べる」という物理的な仕組みの構築でした。

直径5mmの微細な部品を高速・安定的に整列させるためには、部品の形状・材質・重量に合わせた専用の整列機が必要です。

市販品では対応しきれないと判断したヨシズミプレスは、自社の金型・プレス加工の知見を活かして整列機を内製しました。これが「外注せず自社でやりきる」プロジェクトの象徴的な第一歩です。

ステップ②：良品・不良品の画像収集

AI画像検査の性能を左右するのは、学習データの質と量です。

ヨシズミプレスでは、整列機を使って製品を並べた状態でカメラ撮影を繰り返し、良品と不良品それぞれの画像を大量に収集しました。

特に不良品の画像は日常的な生産量だけでは十分に集まらないため、意図的に不良品を作って撮影するなど、データ収集の工夫が求められます。

ステップ③：AIへの学習（トレーニング）

収集した良品・不良品の画像をAIに学習させるトレーニングを実施しました。

AIは学習データをもとに「良品とはどういう状態か」「不良品とはどういう状態か」のパターンを自動で学習し、新しい画像に対して良品・不良品の判定を行えるようになります。

この学習プロセスは、まさしく熟練検査員の「目と判断力」をAIに移植する作業といえます。

ステップ④：試行錯誤と精度チューニング

学習を終えたAIが実際に正しく判定できるかどうかの検証と、精度を高めるためのチューニングが最も時間を要した工程です。

照明の当て方・カメラの角度・解像度・学習データの追加など、多くのパラメータを調整しながら精度を高めていきます。この試行錯誤の期間が約4〜5ヶ月でした。

「すぐに完成しない」ことを前提として粘り強く取り組む姿勢が、中小企業がAI導入を成功させるために最も重要な要素の一つです（参考：Salesforce ブログ）。

ステップ⑤：本番運用の開始

AIの精度が一定の水準に達した段階で、実際の生産ラインへの組み込みと本番運用を開始しました。

本番運用では、AIが良品と判定した製品はそのまま出荷、AIが不良品・要確認と判定した製品のみを人の目で再確認するというハイブリッド体制が採用されています。これにより、AIと人間がそれぞれの得意領域を分担するバランスの良い検査体制が実現しています。

AI画像検査の仕組み：ディープラーニングによる良品・不良品判定

ヨシズミプレスが採用したAI画像検査の中核技術は「ディープラーニング（深層学習）」による画像認識です。

ディープラーニングとは、大量の画像データからAI自身が特徴を自動で学習する技術です。従来の画像処理では「ここに傷があればNG」というルールを人間が手動で設定する必要がありましたが、ディープラーニングでは「良品とはこういう見た目」「不良品とはこういう見た目」というパターンをAIが自ら見つけ出します（参考：SmartCloudコラム）。

なぜ目視検査よりもAIが優れているのか？

AI画像検査が人間の目視検査に対して持つ本質的な優位性は4点あります。

• 疲れない：AIは何時間・何日間稼働しても集中力が低下せず、一定の精度で判定し続けます。
• ブレない：判定基準が数値・パターンとして固定されているため、担当者によるばらつきが生じません。
• 速い：1秒間に数十〜数百枚の画像を処理でき、人間が行う何十倍ものスピードで検査が可能です。
• 記録が残る：検査結果がすべてデータとして蓄積されるため、品質傾向の分析や工程改善の根拠として活用できます。

これらの特性が組み合わさることで、「人間の疲れ・感覚のゆらぎ」に依存していた品質管理から、「データと規則性に基づく品質管理」へのシフトが実現します。

良品のみで学習させる「アンバランス学習」という手法もある

不良品の画像が十分に集まらないという課題への対策として、「良品だけで学習させ、良品に似ていないものをすべて不良として検知する」というアンバランス学習手法も活用されています。

稼働後に不良品画像を追加することで精度を段階的に高めることができるため、「不良品データが少ないからAI導入できない」という躊躇を解消できます（参考：2025年版 外観検査導入事例解説）。

導入成果：目視時間40%削減・目視対象95%減・利益率向上

ヨシズミプレスがAI画像検査を導入して得た成果は、数字として明確に表れています。

目視検査の総時間が月40%削減

AI導入の最大の成果が、目視検査にかかる総時間の月40%削減です。

以前は6名の検査員が月10日間を費やしていた検査業務が、AIによる自動化によって大幅に圧縮されました。削減された時間は、付加価値の高い業務——加工技術の改善・新製品対応・顧客折衝——に振り向けることができます。

従業員数約20名の中小企業にとって、人的リソースの解放は経営に直結するインパクトです（参考：Salesforce ブログ）。

目視対象が月50万個から2万個へ95%減

さらに驚くべきは、目視検査の対象個数の変化です。

従来は月50万個すべてを顕微鏡で確認していましたが、AIが良品と判定した約48万個はそのまま出荷されるようになりました。

目視確認が必要なのは、AIが不良品・要確認と判定した約2万個のみです。つまり、目視検査の対象が全体の4%にまで絞り込まれ、残り96%はAIが自動判定する体制が実現しています（参考：AI-LinX）。

利益率の向上と従業員の負担軽減

定量的な効果はさらに広がっています。

目視検査の対象が大幅に減少したことで、検査員6名のうち複数名を他業務に充当できるようになりました。また、検査精度の安定化により不良品の流出リスクが低減し、顧客クレームの減少や手直しコストの削減にもつながっています。

総合的な結果として、利益率の向上が実現しています（参考：AI-LinX）。繊細な部品を長時間顕微鏡で見続けるという過酷な作業から解放された従業員の負担軽減は、働きやすい職場環境づくりにも貢献しています。

中小製造業が抱えるAI導入の壁と乗り越え方

ヨシズミプレスの事例は、「中小製造業でもAIは導入できる」という希望を示すと同時に、多くの企業がAI導入を躊躇する理由の本質も浮き彫りにしています。

総務省「令和7年版 情報通信白書」によると、日本の中小企業では生成AI活用方針を「明確に定めていない」との回答が約半数を占め、大企業と比較してAI活用の意思決定が立ち遅れている現状があります（参考：総務省）。

壁①：「初期費用が高い」という誤解

AI導入のコストへの不安は多くの中小企業が抱える最初の壁ですが、近年は状況が変わりつつあります。

クラウドベースのAI画像検査サービスの普及により、初期投資を抑えたスモールスタートが可能になっています。また、ヨシズミプレスのように整列機を自社製作することで外注費を大幅に削減するアプローチも有効です。

まずPoCポイント（概念実証）から始め、効果を確認してから本格導入に移行するステップ型の取り組みが、費用リスクを抑える方法として推奨されます。

壁②：「社内に技術者がいない」という不安

AIの専門知識を持つエンジニアが社内にいないことを理由にAI導入を断念する企業は少なくありませんが、それは必ずしも障壁になりません。

ヨシズミプレスの事例が示すように、AIシステムの構築そのものは支援ベンダーや専門会社に協力を求めながら進めることが可能です。

重要なのは「自社の検査基準を明確化すること」と「必要なデータ（良品・不良品画像）を収集すること」であり、これらは自社の検査現場の知識があれば対応できます。

壁③：「失敗が怖い」という心理的ハードル

ヨシズミプレスも約4〜5ヶ月の試行錯誤を経てシステムを立ち上げており、「最初からうまくいく」とは期待していませんでした。

AI導入において重要なのは、「最初から完璧を求めない」という姿勢です。最初は精度70〜80%でも、データを追加して学習を繰り返すことで精度は向上します。

「小さく始めて、改善しながら育てる」という考え方がAI導入成功の核心です。

壁④：「何を検査させるか」の要件定義が曖昧になりがち

AI画像検査で最も重要でありながら見落とされがちなのが、「何を良品とし、何を不良品とするか」の基準の言語化・数値化です。

「なんとなくおかしい」という熟練者の感覚をAIに学習させるためには、まずその感覚を画像という形で可視化し、大量のサンプルとして蓄積する必要があります。

要件定義が曖昧なままシステムを構築しても、精度が出ないという失敗につながります（参考：2025年版 外観検査導入事例解説）。

製造業AI外観検査 導入効果 比較まとめ表

目視検査とAI画像検査のそれぞれの特性と、ヨシズミプレスでの導入成果を以下の表にまとめます。

比較項目	従来の目視検査（AI導入前）	AI画像検査（導入後）	ヨシズミプレスでの成果
検査精度のばらつき	担当者の体調・疲労・経験差により判定がばらつく	一定の基準で常に安定した判定が可能	品質基準の統一化を実現。不良品流出リスクを低減
検査スピード	顕微鏡での人的確認。高速化に限界がある	1秒間に数十〜数百枚の画像を自動処理	月産50万個の高速一次スクリーニングを自動化
人員への負担	6名が月10日間、長時間の顕微鏡作業を強いられる	AIが一次判定。人間は要確認品のみ対応	目視対象が月50万個→2万個（95%減）に削減
検査総時間	膨大。人員が欠ければ納期に影響	自動化により大幅短縮	目視検査の総時間が月40%削減
技能の継承性	熟練者の暗黙知に依存。退職で失われるリスクが高い	学習モデルとして知識を保存・再利用が可能	熟練者の判断基準をAIに移植し継承リスクを低減
夜間・休日対応	人が必要なため対応困難	24時間365日稼働可能	【要一次情報：夜間稼働状況の詳細は要確認】
データの蓄積・活用	判定結果がデータとして残りにくい	全件の判定結果がデータ化され工程改善に活用可能	品質トレンド分析・工程改善の基盤を構築
コスト面	検査員の人件費が継続的に発生。増産時は人員増加が必要	初期投資後は増産しても変動コストが低い	利益率の向上につながる成果を達成

 

よくある質問

Q. ヨシズミプレスはどのようにしてAI画像検査を導入しましたか？

A. 自社で整列機を製作し、良品・不良品の画像をAIに学習させるトレーニングを行いました。約4〜5ヶ月の試行錯誤を経てシステムを立ち上げており、外部ベンダーに全面依存するのではなく、自社の加工・製造技術を活かした内製部分を組み合わせた取り組みが特徴です。AIが良品と判定した製品はそのまま出荷し、不良判定のもののみ人が目視再確認するハイブリッド体制を採用しています。

Q. AI画像検査の導入にはどれくらいの費用がかかりますか？

A. 導入費用はシステムの規模・検査対象の複雑さ・既存設備との統合度合いによって大きく異なります。クラウドベースのAI検査サービスを活用したスモールスタートであれば、比較的低コストで始めることができます。ヨシズミプレスのように整列機を自社製作することでコストを抑えるアプローチも有効です。まずは専門会社への相談から始め、自社に合った導入方法とコスト感を確認することをおすすめします。

Q. 中小製造業でもAI外観検査は導入できますか？

A. はい、ヨシズミプレスの事例がその証明です。従業員約20名の中小企業が自主的にAI画像検査システムを構築し、月40%の目視検査時間削減という成果を上げています。重要なのは「AI専門家が社内にいること」ではなく、「自社の検査基準を明確化し、良品・不良品のデータを集める」こと、そして「試行錯誤を続ける」ことです。専門会社の支援を受けながら進めることで、中小企業でも実現可能です。

Q. AI画像検査を導入するための良品・不良品データはどうやって集めますか？

A. 基本は日常の製造過程で発生する良品と不良品をカメラで撮影して蓄積することです。ただし不良品は量産品の中に少数しか出ないため、初期段階では意図的に不良品を作って撮影するなどの工夫が必要になることもあります。また、「良品だけで学習させ、良品に似ていないものを不良として検知する」アンバランス学習という手法も有効で、不良品データが少ない段階でもシステムを立ち上げることができます。

Q. AI外観検査は目視検査を完全に置き換えられますか？

A. 完全な置き換えではなく、AIと人間が役割を分担する「ハイブリッド体制」が現実的です。ヨシズミプレスの例では、AIが良品と判定した約48万個はそのまま出荷し、AIが不良品・要確認と判定した約2万個のみを人が再確認しています。AIは「明らかな良品」を大量かつ高速に仕分けるのが得意で、人間は「微妙な判断が必要なケース」に集中するというすみ分けが、品質と効率の両立につながります。

Q. AI導入後も精度は向上しますか？

A. はい、AIは稼働後も学習データを追加することで精度を継続的に向上させることができます。初期段階では精度が100%でなくても、運用しながら不良品の画像データを蓄積・追加学習することで精度が高まっていきます。「最初から完璧でなくてよい」という姿勢で、改善を繰り返しながら育てることがAI導入成功のポイントです。

Q. 自動運転センサー向けの部品検査にAIが適しているのはなぜですか？

A. 自動運転センサーに使用される半導体レーザーは安全に直結する部品であるため、品質基準が非常に厳格で、わずかな傷・変形・汚れも許容されません。人間の目視検査では疲労・集中力低下・個人差による見逃しリスクがありますが、AIは疲れることなく一定の精度で判定を続けられます。また、月産50万個という大量生産と高精度検査という一見相反する要件を両立させるためにも、AIの活用が理にかなっています。

まとめ：ヨシズミプレスのAI活用が示す「中小製造業DXの可能性」

この記事では、株式会社ヨシズミプレスのAI画像検査導入について、背景・課題・導入ステップ・成果・他社へのヒントまで詳しく解説しました。要点を以下にまとめます。

• 月産50万個・6名・10日間という限界状態の目視検査体制が、AI導入の出発点。検査員の高齢化・若手不足・属人化という三重の課題が重なっていました。
• 外部任せにせず、整列機を自社製作してAIに学習させるという自主的な取り組みが成功の核心。約4〜5ヶ月の試行錯誤を経て、従業員約20名の中小企業がシステムを立ち上げました。
• 目視検査の総時間が月40%削減・目視対象が月50万個から2万個（95%減）に圧縮。利益率の向上と従業員負担の軽減が同時に実現しています。
• AIと人間のハイブリッド体制が実用的な答え。AIが大量の一次スクリーニングを担い、人間は判断が難しい少数の案件に集中することで、品質と効率の両立が実現しました。
• 「最初から完璧を求めない」「自社の技術で対応できる部分は内製する」という2つの姿勢が、リソースの限られた中小企業がAI導入を成功させる普遍的な教訓です。

ヨシズミプレスの事例が示す最大のメッセージは、「規模が小さいからAIは無理」ではないということです。必要なのは最先端の設備でも大きな予算でもなく、「課題を直視し、できることから始める」という姿勢と、粘り強く改善を続ける実行力です。

あなたの工場・現場でも、今すぐ解決したい品質管理の課題があるなら、それが製造業AI活用の出発点になります。