機械検査には、手動ゲージ、治具ゲージ、三次元測定機（CMM）、ルールベースの画像検査、AI搭載画像検査の5つの手法があります。それぞれ、スループット、欠陥の種類、公差、予算の組み合わせに応じて適した用途が異なります。適切な手法を適切な制約条件に適合させることが、品質コストを決定づける重要な判断となります。
顧客の元に欠陥品が流出すると、単なる製品不良では済みません。保証請求や生産停止、さらにはキャリアを左右するような監査を招くことになります。米国品質協会（ASQ）の品質コストフレームワークによると、一般的な製造業において品質関連の不具合は年間売上の15〜20%を消費しています。生産中に同じ欠陥を発見すれば、出荷後のコストの10分の1、場合によっては100分の1に抑えることができます（米国品質協会（ASQ）、品質コスト）。
多くの工場における問題は、機械検査が導入されていないことではありません。現在使用されている手法が、もはや存在しない過去の生産環境に合わせて選ばれたものであるという点です。1シフトあたり200個の生産を想定して設計された手動ゲージステーションが、現在2,000個を生産するラインでそのまま稼働し続けています。単一のSKU用にプログラムされたルールベースの画像検査システムが、多品種混流ラインを監視し、未知の欠陥を黙々と誤判定しています。この不一致こそがコスト増大の要因です。
本ガイドでは、5つの機械検査手法すべてを、導入の成否を決定づける3つの変数（スループット速度、欠陥の種類、公差範囲）に基づいて比較します。
なぜ不適切な検査手法は「検査なし」よりもコストがかかるのか
多くの工場が抱えているのは検査の問題ではなく、手法の適合性の問題です。不適切なシステムが適切なラインで稼働していると確信している場合、検査の抜け漏れよりも大きな損害を生みます。なぜなら、欠陥がチェックされないまま下流へ流れているにもかかわらず、誤った安心感を与えてしまうからです。
正しく導入するための財務的根拠
多くの品質管理責任者は、検査の失敗を「欠陥の見逃し」だと考えがちです。しかし、より深刻な失敗は「確信を持った誤判定」です。欠陥の種類に対して不適切なツールであるにもかかわらず、システムが欠陥品を合格と判定し、それを全シフトで一貫して、かつ気づかれないまま実行し続けることです。
実際の生産現場において、人間の目視検査では20〜30%の欠陥を見逃しており、連続作業開始からわずか2時間で精度は15〜25%低下します。検査員間での欠陥の深刻度に対する合意率は55〜70%にとどまり、同じ製品であっても担当する検査員によって品質判定が異なることを意味します。これらの数値は制約条件であり、すべての手法に共通する課題です。
手法の適合性を決定する3つの変数
理解しておくべき5つの手法は、手動ゲージ、治具ゲージ、三次元測定機（CMM）、ルールベースの画像検査、AI搭載自動画像検査です。貴社の運用にどのクラスが適しているかは、以下の3つの変数で決まります。
- スループット要件 （1時間あたりの部品数）
- 主な欠陥の種類：寸法、表面レベル、または工程順序の逸脱
- 公差範囲：ミクロン単位の精度、またはカテゴリ別の合否判定
手動測定：精密検査の原点
手動測定は、製造現場で現在も日常的に使用されている最も古い機械検査手法です。品質管理責任者がこの手法の置き換えを検討する際には、その限界が正確かつ定量的に決まっているため、どこまでが許容範囲で、どこからが構造的に対応不可能なのかを正確に把握する必要があります。
手動測定がカバーする範囲
手動測定とは、ノギス、マイクロメーター、ハイトゲージ、ボアゲージ、定盤などの手持ち式測定器を使用して、仕様に対する寸法適合性を検証することです。熟練の検査員が特徴箇所を測定し、図面の公差と比較して結果を記録します。多くの受託製造業者では、初品検査は依然としてこの手法で行われています。測定証明書が契約上の要件となっている部品の受入検査も同様です。
手動測定は時代遅れと見なされがちですが、多くの工場にとってその判断は誤りです。多品種少量生産のメーカー、航空宇宙産業の工具室、医療機器の製造ラインでは、安全に関わる重要な箇所の検査に100%手動測定を採用しています。その理由は、校正が可能であり、監査に対応でき、国際規格へのトレーサビリティが確保され、プログラミングが不要だからです。これら4つの条件を同時に満たす手法は他にありません。
手動測定が構造的に限界を迎える場面
Cognexの2025年のベンチマークによると、熟練した検査員による処理能力の上限は1時間あたり60〜80個です。また、約20分間の連続検査後には疲労によるエラー率が上昇します。デフォルトでは自動データ収集が行われません。欠陥は発見されますが、誰かが手作業で測定記録を傾向チャートにまとめるまで、そのパターンは可視化されません。
ゲージの繰り返し精度と再現性（Gage R&R）の閾値は、判断を下すための重要な基準です。Gage R&Rの結果が30%を超える変動を示す場合、その手動検査手法は測定対象の公差を確実に検出できていないと見なすのが業界の基準です。もし貴社のプロセスでそのような結果が出るのであれば、その手法は不適格と言えます。
多くの品質管理責任者が計算していない隠れたコスト
多くの工場では、検査コストは部品ごとのサイクルタイムではなく、人件費として管理されています。具体例を挙げましょう。1シフトあたり500個の部品を生産し、手動検査の処理能力が1時間あたり60個のラインでは、ペースを維持するためだけに1日8人の検査員が必要です。米国や欧州の標準的な製造業の賃金水準では、この人件費は年間でかなりの高額に達します。「無料」と思われがちな手動測定器ですが、実際には決して無料ではないのです。
手動測定が有効なケース： 生産量が少ない場合、部品の形状が複雑で自動システムがアクセスできない場合、航空宇宙や医療機器のように校正のトレーサビリティが規制要件となっている場合、あるいは測定対象箇所にカメラやプローブが届かない場合です。
治具測定：柔軟性を犠牲にした専用の高速検査
治具測定は検査手法の中で限られた領域を占めていますが、その範囲内においては、速度と再現性の面で他のあらゆる手法を凌駕します。問題は、多くの製造分野で製品の多様化が進むにつれ、その領域が狭まっていることです。
治具測定の仕組みと強み
治具測定器は、特定の部品専用に設計されたハードツールであり、合否判定（Go/No-Go）ロジックを用いて1つまたは複数の寸法を同時にチェックします。測定を合否判定のみに限定することで、作業者によるバラつきを排除します。優れた治具測定器であれば、加工セルの出口で3秒以内に部品を検証できます。ソフトウェアもカメラもネットワーク接続も不要です。
この手法が強みを発揮するのは、厳しい寸法公差と安定した部品形状を持つ、単一SKUの大量生産ラインです。エンジン部品、ファスナー、コネクタなどがその典型的な適用先です。安定したプラットフォームを持つ自動車のティア1サプライヤーでは、設計変更なしで長年治具測定を運用しているケースも珍しくありません。
柔軟性の欠如という代償
製品の切り替えには新しい治具が必要となり、通常8〜16週間のリードタイムと多額の工具費用が発生します。また、この手法では表面の欠陥を検出することはできず、接触するように設計された寸法箇所しか確認できません。不合格品が出ても、欠陥の分類や根本原因に関するデータは得られません。
ある自動車用コネクタの製造ラインで、EVメーカーの仕様変更に対応するために3つの新しいSKUを追加するとします。治具ゲージによる検査の場合、新しい物理ゲージの設計と機械加工に12週間もの生産停止期間が発生します。治具が届くまでは、新しい部品の認定を行うことさえできません。一方、AI搭載の画像検査であれば、ラベル付けされた画像例を使って既存のカメラに学習させるだけで、わずか半日で対応可能です。この2つの手法の間にある柔軟性の差はわずかなものではなく、四半期単位の開きがあるのです。
多品種少量生産の環境では、SKU数が増えるほど、部品あたりの治具ゲージの償却コストは急激に上昇します。年間5万個の同一部品を製造する場合には経済合理性がある治具も、10種類のバリエーションで各5,000個ずつ製造するとなれば、その評価は全く異なるものになります。
治具ゲージが適しているのは、次のような場合です。 スループットが高く、SKU数が安定しており、形状に一貫性があり、かつ検査対象の寸法特性が治具の接触点によって完全に定義できる場合。
三次元測定機（CMM）による検査：寸法精度が厳しく求められる場合
CMM検査は寸法精度の基準となる手法ですが、現場では最も誤用されやすい手法の一つでもあります。CMMが真価を発揮する場面と、単に最も高価な選択肢に過ぎない場面を見極めることが、ここでの重要な判断となります。
CMMの精度と実環境での適用
CMM（三次元測定機）は、タッチプローブやレーザープローブを使用してXYZ座標を記録し、CADで定義された公差と比較する電気機械システムです。ブリッジ型、門型、ポータブルアーム型など、部品のサイズに応じた構成が選ばれます。
精度における圧倒的な優位性： CMMは、GD&T（幾何公差）の完全な検証を伴うミクロン単位の寸法精度を実現します。そのため、複雑な自由曲面、航空宇宙グレードの公差、複数の特徴間の関係性といった幾何学的形状を認定できる唯一の手法となっています。
ZEISS INSPECTのようなソフトウェアプラットフォームは、CMMのデータと光学測定データを統合します。これにより、品質エンジニアは統合された測定ワークフローを実行し、その結果を量産用の後工程の画像検査システムへと引き継ぐことが可能になります。
スループットの制約と環境依存性
CMMのサイクルタイムは、特徴の数に応じて部品あたり2分から30分以上かかります。この数字だけでも、最小限の生産量を超えるラインでの100%インライン検査にCMMを使用することは不可能です。Tooling U-SMEのCMM検査に関する資料でも、表面や有無の確認といった同等のタスクにおいて、画像検査システムの方が圧倒的に高速であることが示されています。
また、メーカーのカタログでは過小評価されがちですが、環境への依存性も無視できません。CMMには、通常20度±1度の温度管理された部屋と、振動対策が必要です。騒音の多い生産現場のインラインにCMMを設置すると、測定の不確かさが増大し、せっかく購入した高精度な測定器の価値が損なわれてしまいます。
CMMが最適な選択となる場合
- 新しい金型の初回製品検査（FAI）やサプライヤーの認定
- 新製品導入時の工程能力（Cpk）調査
- 安全に関わる重要部品の受入検査
- トレーサブルな寸法証明書が契約や規制（ISO 9001、IATF 16949、AS9100など）で義務付けられているあらゆる用途
CMM検査が適しているのは、次のような場合です。 認定された寸法精度が求められる場合、サンプリングで十分なほどスループットが低い場合、あるいは部品の複雑さが既存の画像処理手法では測定不可能な場合です。
ルールベースの画像処理：ルールが破綻するまでは信頼できる手法
ルールベースの画像処理は、品質管理エンジニアが自動外観検査を導入する際に最初に触れる手法です。特定の条件下では優れた性能を発揮しますが、特定の予測可能な状況下では機能しなくなります。この両面を等しく理解しておく必要があります。
ルールベース画像処理の仕組み
ルールベースの画像処理は、今日の製造現場における自動検査の主流です。カメラとアルゴリズムを使用し、有無判定、寸法測定、色合わせ、バーコード読み取り、ブロブ解析、エッジ検出、テンプレートマッチングといった、あらかじめプログラムされたルールに基づいて特定の箇所をチェックします。ルールベースの品質検査システムは、生産ライン上で毎分数百から数千個の部品を100ミリ秒以下のサイクルタイムで検査できるという点で、最高のパフォーマンスを発揮します。
画像処理市場はこの採用状況を反映しており、2024年の204億米ドルから、年平均成長率13%で2030年には417億米ドルに達すると予測されています（Elementary ML, 2025）。この数値に含まれるシステムの大部分は、依然としてルールベースのものです。
4つの構造的な失敗モード
ルールベースの画像処理には、ベンダーのページでは語られない4つの具体的な失敗パターンがあります。
- 未知の欠陥タイプ ルールセットに含まれていない欠陥は偽陰性（見逃し）を引き起こし、不良品をそのまま流出させてしまいます。
- 製品の切り替え 全面的な再プログラミングが必要となり、SKUごとに数時間から数日間のエンジニアリング工数を要することがあります。
- 照明の変化や表面の反射 合計の合否ダッシュボードには現れない偽陽性（過剰検知）を発生させ、裏でラインの歩留まりを低下させます。
- 経験から学習しない：人間が介入して手動でルールセットを更新しない限り、すべてのエラーが繰り返されます。
プログラミングの代償
多品種環境においてルールセットをプログラム、検証、維持するためのコストは、多くの画像処理システムのROI計算には含まれていない実質的な運用コストです。30種類のSKUを扱うラインで四半期ごとに製品アップデートがある場合、そのエンジニアリングのオーバーヘッドは年間で大きなコストとなります。多くの品質管理責任者は、正式に測定することなくこのコストを負担し続けています。
ルールベースの画像検査システムは、プログラマーが想定した欠陥しか検出できません。製造ラインが変更されても、ルールは自動的には追従しないのです。 - Jidoka Technologies
ルールベースの画像検査が有効なのは、部品の形状が安定しており、SKU数が少なく変更の可能性が低く、照明が一定に制御され、欠陥の種類が完全に定義・文書化されている場合に限られます。
AI搭載型画像検査：システムが学習することで何が変わるのか
ルールベースからAI搭載型の自動画像検査への移行は、単なる段階的なアップグレードではありません。システムが判断を下す根本的なロジックが完全に変わるためであり、この変化こそが、ルールベースではどれほど最適化しても解決できなかった構造的な問題を解消します。
ルールベース画像検査との構造的な違い
ルールベースとAI搭載型画像検査の違いは、ベンチマーク上の精度ではありません。製造環境が変化したときに何が起こるか、という点にあります。
AI搭載型の自動画像検査は、カメラとディープラーニングモデルを組み合わせ、ラベル付けされた画像データから「欠陥」と「良品」の状態を学習します。新しい種類の欠陥が発生しても、プログラマーが新しいルールを記述する必要はありません。モデルが学習するためのラベル付きサンプルを用意するだけで済みます。現在、AI画像検査システムは95〜99%の検出精度を達成し、1時間あたり1万個以上の部品を100ミリ秒未満の推論速度で検査し、すべてのシフトで一貫した品質基準を維持することが可能です。
2026年1月に学術誌『Sensors』に掲載された50以上の研究を対象とした査読付き調査によると、実際の製造環境において機械学習を用いた画像検査の欠陥検出精度は95%を超え、特定の構成では98〜100%に達することが明らかになりました。これに対し、人間の検査員による精度は理想的な条件下でも約95%が限界であり、疲労によってさらに低下します。
ルールベースとAI：コードの違い
ルールベースの画像検査が変化に弱い理由を理解する最も早い方法は、そのロジック構造を見ることです。両者の対比は以下の通りです。
ルールベースの検査ロジック（OpenCV / しきい値アプローチ）：
# Rigid — breaks immediately if lighting shifts or geometry varies
if edge_contrast > 45 and blob_area == 1200:
return "Pass"
else:
return "Reject_False_Negative"
# Any part outside these exact parameters is rejected or passes incorrectly
# No adaptation. No learning. New SKU = new code.AI推論ロジック（ディープラーニングモデル）：
# Flexible — relies on trained weights, not hard-coded thresholds
confidence, classification = model.predict(image_tensor)
if classification == "defect_scratch" and confidence > 0.95:
return "Reject"
# The model adapts to lighting shifts through learned feature representations
# New SKU = labelled image examples, not engineering reprogramming
前者のブロックは、照明器具の交換などでエッジのコントラストが45から46に変化しただけで機能しなくなります。一方、後者のブロックは、単一のハードコードされたしきい値ではなく、数千枚の学習画像から得られた視覚的パターンに基づいて判断するため、安定して動作します。
ベンダーが語らない導入の現実
AI画像検査導入の77%が、依然としてプロトタイプやパイロット段階で停滞しています（2026年1月『Sensors』誌調査）。その障壁となるのは、統合の複雑さ、学習データの品質、そして変更管理です。AI画像検査を導入して撤退した工場があるからといって、その技術が機能しないという証拠にはなりません。それは、導入アプローチが失敗したという証拠に過ぎません。これらは全く別の問題です。
AI搭載型画像検査が有効なケース： サンプリング検査ではカバーしきれないスループットが必要な場合、製品の組み合わせが多く頻繁に変更される場合、表面の欠陥検出が主な要件である場合、あるいは製造ラインがルールベースのメンテナンスにかかるエンジニアリングコストを維持できない場合。
最適なマシン検査手法の選び方：品質管理者のための意思決定マトリックス
5つの手法を個別に解説してきました。本セクションでは、選択の決め手となる変数（スループット、欠陥の種類、部品の複雑さ、許容範囲）を軸に、各手法を比較します。以下のマトリックスは、その比較結果をまとめたものです。
4つの入力変数
運用に最適な手法を決定する4つの変数：
- スループット要件 （1時間あたりの部品数）
- 主な欠陥の種類：寸法、表面、または工程順序の逸脱
- 部品の複雑さとSKU数：単一SKU、安定した複数SKU、または多品種
- 許容範囲：ミクロン単位の寸法精度、またはカテゴリ別の合否判定
Jidoka検査手法選択マトリックス
Jidoka検査手法選択マトリックスを使用して、スループット、欠陥の種類、部品の複雑さ、許容範囲に最適なマシン検査手法を見つけてください。
検査の総コストに関する注意点
初期投資が最も低い手法が、大規模運用において部品あたりの検査コストが最も低くなるとは限りません。導入コストがゼロの手動ゲージステーションであっても、検査担当者の人件費、手直し、流出コストを考慮すると、1シフトあたり500個を超える生産量では、AI搭載の画像検査システムよりも部品あたりのコストが高くなることがよくあります。調達の検討を始める前に、12ヶ月の期間でコストを算出してください。
どの手法も永続的な選択肢ではありません。スループットの増加やSKUの複雑化に伴い、経済性は変化します。このマトリックスは、社内検討の出発点として活用してください。
5つの手法すべてに残る検査のギャップ：欠陥発生前の工程逸脱
前述の5つの手法を検討した品質エンジニアなら、共通の限界に気づくはずです。どの手法も、工程が完了した後の部品を評価するものであり、工程そのものに介入するものではありません。そのギャップこそが、防げるはずの欠陥の多くが発生する原因となっています。
部品検査では検知できないもの
本記事で紹介する手法はすべて、プロセスの出力結果を検査するものです。いずれの手法も、欠陥の原因となるプロセス上の逸脱を未然に防ぐことはできません。
トルク締め工程の漏れ、サブアセンブリ手順のスキップ、間違った部品箱からの部品の取り出し。これらはすべてプロセスエラーであり、欠陥を生み出す原因となります。後工程で行われる部品検査で欠陥が発見されることもありますが、欠陥を生んだプロセスエラーは、人間がそのパターンに気づくか、あるいは欠陥品が顧客の手に渡るまで、次の部品、またその次の部品へと繰り返されてしまいます。
これは部品検査という手法が抱える構造的な限界です。この問題を解決する唯一の方法は、プロセスそのものを検査することです。
Nagareがそのギャップを埋める仕組み
Jidoka Technologiesの Nagareプロセス遵守監視プラットフォーム は、既存の監視カメラをエッジAIによってリアルタイムのプロセス監視装置へと変貌させます。新たなハードウェアインフラを導入することなく、デジタルSOP（標準作業手順書）と照らし合わせて、組み立て手順や作業者の動作を検証します。ライン上のあらゆる動作が、実行されたその瞬間に基準と照合されます。
jidoka-tech.aiが提供するNagareの主な機能：
- デジタルSOPに基づく継続的なリアルタイム監視
- 逸脱、部品の欠落、位置ずれの即時検知
- 作業者へのガイダンスと、工程完了前のエラー防止
- 監査およびMES統合のためのサイクル単位のトレーサビリティ
- データプライバシーと低遅延を実現するオンプレミス型エッジAI処理
Jidokaの報告によると、Nagareを導入した現場では、プロセス遵守率が99.9%に達し、プロセス遵守が30%向上、手直しが35%削減、ダウンタイムが25%削減されています。
規制環境や労働組合が存在する環境に対応したプライバシーアーキテクチャ
Nagareは顔ではなく、スケルトントラッキング技術を用いて作業者の動作を監視します。処理は工場内のローカル環境で完結し、映像データが外部に流出することはありません。GDPRやインドのPDPB、あるいは監視に関する労働組合との協定が適用される工場において、この仕組みこそが作業者の理解を得るための鍵となります。
「従来の検査手法はすべて『部品』を評価するものです。しかしNagareは、その部品を作った『プロセス』を評価します。これは検査の改良ではなく、全く別の能力なのです。」 - Jidoka Technologies
部品が完成した後にプロセスエラーを発見している現状を、Nagareが変えます。 jidoka-techで30分間のNagareデモを申し込む。
結論：検査手法と実際の制約を適合させる
製造現場における品質不良の8割は、適切な工程で適切な機械検査手法を導入することで防ぐことができます。問題は技術へのアクセスではありません。多くの工場が、もはや存在しない生産環境に合わせて選定された手法を使い続けていることにあります。
手動ゲージ、治具ゲージ、三次元測定機（CMM）、ルールベースの画像検査システム、そしてAI外観検査には、それぞれ適した用途があります。重要なのは、現在の手法が、現在のスループット、欠陥の種類、および許容公差に適合しているかどうかです。
上記の「Jidoka検査手法選定マトリクス」で、貴社の運用が「AIプロセスモニタリング」に該当した場合は、次のステップとして以下をお試しください。 30分間のNagareデモ。 エッジAIが既存のカメラをリアルタイムのプロセス監視システムに変える仕組みについては、こちらをご覧ください。 jidoka-tech.ai/products/nagare。
よくある質問
1. 機械検査と品質管理の違いは何ですか？
機械検査とは、部品や工程が仕様を満たしているかどうかを判断するために測定や確認を行う行為です。品質管理とは、検査データをどのように活用して製品の合格・不合格・手直しを決定するかを統括する、より広範な管理システムです。検査はデータを生成し、品質管理はその後の対応を定義します。工場において、検査は徹底されていても品質管理が不十分な場合や、その逆のケースも起こり得ます。
2. 自動画像検査が三次元測定機（CMM）より優れているのはどのような場合ですか？
自動画像検査は、スループットがCMMのサンプリングレートを超える場合や、インラインでの全数検査が必要な場合にCMMより優れた性能を発揮します。画像検査システムは1時間あたり数千個の部品を検査できますが、CMMで同等の量を検査しようとすれば、極めて高いサンプリングリスクを負うか、膨大な数の装置が必要になります。一方、トレーサビリティが確保された寸法証明書が契約上求められるような、高付加価値部品の複雑なGD&T（幾何公差）検証においては、依然としてCMMが適しています。
3. 画像ベースの品質監査とは何ですか？また、どのように機能しますか？
画像ベースの品質監査は、カメラと画像処理ソフトウェアを使用して、特定のチェックポイントで製品や工程の適合性を検証するものです。システムが画像をキャプチャし、保存された参照データや学習済みモデルと照合して、出力が適合か不適合かを分類します。AI搭載システムでは、すべての検査画像を記録するため、ルールベースのシステムでは不可能な、過去に遡った欠陥分析や傾向検知が可能になります。
4. 自動画像検査の導入は、検査員の人員数にどのような影響を与えますか？
自動外観検査は品質管理担当者の仕事をなくすものではなく、その内容を変化させるものです。検査担当者は、単調な合否判定から、欠陥傾向の分析、システムのキャリブレーション、エスカレーション対応へと役割をシフトします。AIビジョンを導入したラインであっても、未知の欠陥タイプや境界線上の判定、例外処理には依然として人間の監視が必要です。手作業による検査時間が削減されるのは事実ですが、その時間をより価値の高い品質業務に再配置することこそが、導入を検討する際のより適切な社内的な捉え方です。
5. 外部不適合コストが10倍から100倍に跳ね上がる理由とは？
米国品質協会（ASQ）の品質コストフレームワークによると、外部不適合コストは、製造工程内で同じ欠陥を発見した場合のコストと比較して10倍から100倍に達するとされています（ASQ、品質コスト）。この倍率は業界や欠陥の種類によって異なります。自動車のリコールは高水準にあり、消費財の流出は比較的低水準です。この数値は、検査投資に関する社内稟議を通すための財務的な根拠となります。
6. 製造現場における目視検査では、具体的に何を確認しているのか？
製造現場の目視検査では、部品の外観から判断できるあらゆる属性を確認します。具体的には、表面の欠陥、色の整合性、ラベルの正確性、部品の有無、大まかな寸法判定、組み立ての完全性などが含まれます。この用語は、作業員による手作業のチェックと、カメラベースの自動システムの双方を指します。運用上重要なのは、その検査が記録されているか、シフト間で一貫性があるか、そして自社で発生している流出の原因となる特定の欠陥タイプを検出できるかという点です。
7. AI搭載の画像検査は、三次元測定機（CMM）を完全に置き換えられるか？
すべての用途において置き換えられるわけではありません。AIビジョンは、表面検査や有無判定といった視覚的な欠陥検出タスクにおいて98〜100%の精度を達成していますが（Sensors誌、2026年1月）、契約上、追跡可能な測定証明書が必要となる安全性が重要な高精度部品の寸法測定において、CMMの代わりになるものではありません。多くの製造業者にとって現実的な解はハイブリッド構成です。すなわち、全数インラインスクリーニングにはAIビジョンを、初品検査や工程能力調査、契約で求められる寸法証明にはCMMを使用するという使い分けです。
