製造業向けコンピュータービジョンプラットフォーム：YOLO、Cognex、Keyenceを比較

手作業による検査では規模を拡大できません。1時間に数千個を生産するラインでは、見逃された欠陥がわずか数分の1パーセントでも、再現率に影響します。また、人間の検査員がシフト全体を通じて集中力を保つことはできません。コンピュータービジョンは、ライン速度で全製品を一貫して検査することで、このギャップを埋めます。

導入するかどうかを決めるより、プラットフォームを選ぶ方が困難です。市場は大きく異なる2つの陣営に分かれています。フィールドエンジニアが付属するハードウェアとソフトウェアの統合製品を販売する産業用ビジョンベンダーと、自社のカメラやコンピューティングを持ち込むソフトウェアファーストのプラットフォームです。対象とする購入者が異なり、どちらの方向でも誤った選択は大きなコストにつながります。

このガイドでは、メーカーが実際に候補として挙げるプラットフォームを比較し、それぞれの真の強みと選定方法を説明します。

比較の概要#

ベンダーはランキングではなく、アルファベット順に掲載しています。Ultralyticsはこの比較を公開し、掲載もされているため、掲載順は意図的に中立とし、各項目に明示的なトレードオフを記載しています。

統合型ベンダー#

Cognex#

Cognexは長年にわたり産業分野の標準であり続けています。同社のPatMaxパターンマッチング技術は、角度、スケール、照明の変化にかかわらず部品を確実に位置特定する技術として、今も基準となっています。これは本質的に難しい問題ですが、Cognexは早くから優れた方法で解決してきました。ハードウェアは工場環境向けに設計されており、エコシステムも充実しています。

次の場合に適しています: 特に検証要件が厳しい自動車、電子機器、医薬品の検査などで、コストや柔軟性よりも精度と実証済みの信頼性を重視する場合です。

トレードオフ: 高価格で、閉鎖的なエコシステムです。コンポーネントではなくシステムを購入することになり、カスタマイズはベンダーが定める範囲内で行います。

Keyence#

Keyenceの差別化要因は、技術面というより商業面にあります。エンジニアが顧客の現場を訪れ、対面で問題を解決する直販モデルです。社内にビジョンの専門知識を持つ人材がいないチームにとっては、このサポートが機能比較よりも価値を持つことがよくあります。

次の場合に適しています: ツールキットを納品するだけでなく、成果に責任を持つベンダーを求める場合です。

トレードオフ: 透明性の低さとコストです。価格は見積もり制であり、自社で管理する技術ではなく、ベンダーとの取引関係になります。

Omron、Basler、Matrox、Siemens、Teledyne#

この分野で信頼できる企業として、主にコンポーネントやサブシステムを供給しています。Baslerはカメラの信頼性、Matroxは成熟した画像処理ライブラリ、SiemensとOmronは産業オートメーションとの統合で知られています。すでにこれらの企業のオートメーションスタックを運用している場合、その範囲内にとどまることで統合リスクを低減できます。

ソフトウェアを中心とするプラットフォーム#

Ultralytics YOLO#

Ultralyticsは、リアルタイム検査で広く使われているオープンソースのYOLOファミリーのビジョンモデル（物体検出、セグメンテーション、姿勢推定、回転バウンディングボックス、分類）を開発しています。製造分野での活用方法は明確です。自社の欠陥画像でモデルをトレーニングし、すでに保有するハードウェアで実行して、モデルとデータを自社で保持できます。

この読者にとって、回転バウンディングボックス検出は特筆すべき機能です。コンベア上の部品はさまざまな角度で到着するため、標準的な矩形ボックスではうまくフィットしないことがあります。

次の場合に適しています: 欠陥が自社のプロセス固有である場合、カメラごとのライセンス料を避けたい場合、またはライセンス料が台数に応じて膨らむことなく多数のラインに導入したい場合です。モデルは、標準的な産業用PCだけでなく、NVIDIA Jetsonなどのエッジハードウェアでも実行できます。

トレードオフは現実的です: 統合は自社で担う必要があります。照明の問題を解決するために、現場エンジニアが駆けつけることはありません。Ultralyticsは本番環境への導入向けにエンタープライズライセンスと商用サポートを提供していますが、この運用モデルでは社内にエンジニアリング能力があることを前提としています。チームにその能力がない場合は、統合型ベンダーのほうが早く本番運用に移行できます。

Roboflow#

Roboflowは、アノテーション、データ拡張、バージョン管理、トレーニング、デプロイを一元化し、データセットのライフサイクルを効果的に管理できます。ボトルネックがモデリングではなくデータ管理にあるチームにとって、この統合が価値となります。

次の場合に適しています: 開発チームがあり、パイプライン全体を管理するツールを求める場合です。

トレードオフ: 利用量に応じて増加するサブスクリプション費用と、オープンソースモデルを自社で実行する場合に比べた制御性の低さです。

Landing AI#

LandingLensは、機械学習ではなく製造業に詳しい人向けに明確に設計されています。

候補を絞り込む前に留意してください。Landing AIは、ドキュメントおよびエージェント型AIを中心に事業の位置付けを変更しており、現在の主力製品はドキュメント抽出を対象としています。LandingLensは、主力製品というより継続保守されている製品です。ABB Motion Venturesは2025年に、ビジョンAIをABBのロボットに導入する目的で投資しており、技術の今後の展開は見込めますが、工場検査に関するロードマップの確約を選定前に確認してください。ポイントアンドクリックのワークフローにより、品質エンジニアはコードを書かずに欠陥モデルをトレーニングできます。専門知識を持つ人材が工場現場にいる場合、これは大きな利点です。

次の場合に適しています: 専門知識を持つ人材がモデルを構築するべき場合です。

トレードオフ: ノーコードツールには限界があります。対応していない機能が必要になるまでは非常に便利です。

Edge Impulse#

Edge Impulseは、制約のあるデバイス向けの組み込みMLを専門としています。マイクロコントローラークラスのハードウェアには適していますが、汎用ビジョンプラットフォームと比べると対象範囲は限定的です。

AWSを利用していて、マネージド型エッジアプライアンスを検討している場合は、AWS Panoramaのサポートは2026年5月31日に終了しており、購入済みのアプライアンスも動作しなくなっている点に注意してください。AWSは現在、パートナーソリューションの利用、またはJetsonクラスのエッジハードウェアでSageMakerを基盤として構築することを顧客に案内しています。Panoramaを現行の選択肢として掲載している比較記事は、いずれもこの日付より前に執筆されたものです。候補リストの情報源がどれだけ最新かを確かめるうえで役立ちます。

自動欠陥検出の成否を実際に左右する要因#

プラットフォームよりも、多くの人が過小評価する3つの要素のほうが重要です。

まずは照明です。 ビジョンプロジェクトは、モデルアーキテクチャよりも照明が原因で失敗することのほうが多くあります。一貫した制御照明によって、難しい問題が簡単になります。ソフトウェアより先に、照明の予算を確保してください。

ボトルネックは欠陥データです。 良品の画像は何千枚もある一方、各欠陥タイプの画像はごくわずかです。稼働中の生産ラインでは、それが現実です。希少な欠陥を最初からどのように収集してラベル付けするか計画してください。合成データによる拡張は役立ちますが、実際の事例に取って代わるものではありません。

ドリフトは単発の事象ではなく、継続的に対処すべきプロセスです。 仕入先の変更、工具の摩耗、材料のばらつきが発生します。1月の出力でトレーニングしたモデルは、6月には性能が低下します。どのプラットフォームを選ぶ場合も、定期的な再トレーニングと監視の予算を確保し、そのために自社のデータへアクセスできることを確認してください。

リアルタイム監視とMES統合#

検査結果は、それに基づいて動作するシステムに届かなければ役に立ちません。多くの導入では、欠陥率を他の生産指標と並べて表示できるよう、結果をMESまたはヒストリアンに送信する必要があります。また、製品が検査工程を離れる前に排除できる低レイテンシも必要です。

通常、この2つ目の要件によって推論の実行場所が決まります。不良品を排除する制御にはクラウドとの往復通信は遅すぎるため、推論はライン上のエッジで実行し、集約結果を上位システムに送ります。候補を絞り込む前に、各プラットフォームがローカル推論に対応していることを確認してください。クラウドのみのアーキテクチャは、多くのライン内検査では採用できません。

選び方#

社内にビジョンエンジニアリングの人材がいない場合、規制上の理由から検証済みのシステムが必要な場合、または結果に対して責任を負う単一の供給元を求める場合は、統合型ベンダー（Cognex、Keyence）を選んでください。

品質エンジニアがモデルを担当するべきで、欠陥が明確に定義されている場合は、ノーコードのLanding AIを選んでください。

エンジニアリング能力があり、プロセス固有の欠陥向けにカスタムモデルが必要な場合、カメラごとのライセンス料をかけずに多数のラインへ導入したい場合、またはモデルとデータを完全に自社で所有する必要がある場合は、オープンソースのUltralytics YOLOを選んでください。

開発チームがあり、データセットのパイプライン管理を任せたい場合は、マネージド開発者向けツールのRoboflowを選んでください。

大規模にビジョンシステムを運用する製造業者の多くは、最終的に複数のソリューションを使います。重要な検証済み検査ポイントには統合型システムを採用し、それ以外には柔軟なオープンソーススタックを使います。

導入を始める#

欠陥が明確に定義され、現在のスクラップ率を測定できる検査ポイントを1つ選びます。照明を整えます。実際の欠陥を含むラベル付き画像を数百枚収集します。トレーニングを行い、現在の手動検査の基準と比較して測定してから、規模を拡大するか判断してください。

Ultralytics YOLOモデルはAGPL-3.0の下でオープンソースとして提供されており、商用導入向けにエンタープライズライセンスも利用できます。生産ラインへのコンピュータービジョン導入を検討している場合は、製造業向けUltralytics YOLOをご覧いただくか、欠陥検出の詳細をご確認ください。