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
製造業向けコンピュータービジョンプラットフォームを比較:検査とMESへの適合性に関するCognex、Edge Impulse、Keyence、Landing AI、Ultralytics YOLO。
Miles Deans14 分で読めます
手動検査では規模に対応できません。1時間に数千個を処理するラインでは、見逃し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、人間の検査員がシフト全体を通して集中力を保つことはできません。コンピュータビジョンなら、ライン速度で全製品を一貫して検査し、このギャップを埋められます。
プラットフォームの選定は、導入を決めるよりも難しいものです。市場は大きく異なる2つの陣営に分かれています。1つは、ベンダーのカメラとソフトウェアを組み合わせ、サポート範囲をシステムごとに確認する統合型の産業用マシンビジョンシステムです。もう1つは、自分でモデルをトレーニングし、カメラとコンピューティング環境を用意するソフトウェア中心のプラットフォームです。対象とする購入者は異なり、選択を誤るとどちらの方向でも大きなコストが発生します。この違いは学習機能ではなくアーキテクチャにあります。各製品ページによると、統合型ベンダーもCognex In-Sight D900やKeyence VSシリーズなど、トレーニング可能なAIツールを提供しています。
このガイドでは、メーカーが欠陥検出や検査向けに実際に候補として挙げるコンピュータービジョンプラットフォームとマシンビジョンシステムを比較し、それぞれの強みと、選定方法を解説します。
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。
| プラットフォーム | モデル | 最適な用途 | トレードオフ |
|---|---|---|---|
| Cognex | ハードウェアとソフトウェアの統合 | 成熟した高精度の産業用検査 | ベンダーがサポートするハードウェアとソフトウェアの範囲内で運用する |
| Edge Impulse | 組み込みML | リソースに制約のあるエッジデバイスや組み込みデバイス | 汎用ビジョンプラットフォームより対象範囲が狭い |
| Keyence | ハードウェアとソフトウェアの統合 | ベンダーの手厚いサポートを求める購入者 | 個別見積もり、直販モデル |
| Landing AI | ノーコード検査ソフトウェア | データサイエンスチームを持たない工場現場の専門家 | 同社はドキュメントAIを中心に再ポジショニングしています。ロードマップを確認してください |
| Ultralytics YOLOとUltralytics Platform | アノテーション、トレーニング、デプロイに対応するオープンモデル+プラットフォーム | 自社ハードウェアでカスタムモデルを使いたいチーム | 統合とラインサイドMLOpsは自社で担当します |
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。
トレードオフはコストと制御性です。Cognexの見積もりに基づくシステム費用と拡張費用、対応ハードウェア、カスタマイズの制限を、オープンソース導入にかかるライセンス、統合、保守のコストと比較してください。
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。
トレードオフは、価格が見積もりベースであることです。提案を比較する前に、構成に応じたハードウェア、ソフトウェア、統合、サポートのコストを確認してください。
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用されるオープンソースのYOLOビジョンモデル群(物体検出、インスタンスおよびセマンティックセグメンテーション、深度推定、分類、姿勢推定、回転バウンディングボックス)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、すでに所有しているハードウェアで実行し、モデルとデータを自社で保持します。
コンベヤー上の部品は任意の角度で到着し、標準的な長方形のボックスではうまく適合しないため、この対象者には回転バウンディングボックス検出もぜひ紹介してください。
次の場合に選択してください: 欠陥が独自の製造工程に特有である場合、または独自のハードウェアや複数のラインにわたって、モデルのトレーニングとデプロイを制御する必要がある場合です。導入予定の環境ごとに、カメラ単位・ユーザー単位の料金、モデルのライセンス条件、プラットフォーム料金、統合コストを比較してください。モデルは、標準的な産業用PCに加えて、NVIDIA Jetsonなどのエッジハードウェアでも実行できます。
Ultralytics Platformは、モデルを支えるマネージド機能として、アノテーション、クラウドGPUトレーニング、デプロイエンドポイントを提供します。また、モデルはラインサイドのハードウェア向けにONNX、TensorRT、OpenVINOなどの形式へエクスポートできます(エクスポートモード)。
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。
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。
候補を絞り込む前の注意点:Landing AIは、ドキュメントおよびエージェント型AIを中心とする方向に再配置されており、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。また、LandingLensは主力製品ではなく、保守されている製品です。ABB Motion Venturesは2025年に、同社のビジョンAIをABBのロボティクスに導入する目的で出資しました。そのため機能を発展させる道筋はありますが、選定前に工場検査に関するロードマップの確約を確認してください。ポイント・アンド・クリックのワークフローを使えば、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。ドメイン知識が工場現場にある場合、これは実質的な利点です。
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エッジアプライアンスをお探しの場合は、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は動作しなくなっている点にご注意ください。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上にSageMakerを構築する方法を案内しています。Panoramaを現在も利用可能な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書かれたものです。候補リストの情報源が最新かどうかを確かめるのに役立ちます。
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。良品の画像は数千枚ある一方、欠陥の種類ごとの画像はごくわずかです。稼働中の生産ラインではこれが実情です。希少な欠陥を最初から収集してラベル付けする方法を計画してください。合成データやデータ拡張は有用ですが、実例の代わりにはなりません。
ドリフトは単発の事象ではなく、プロセスです。サプライヤーは変わり、工具は摩耗し、材料にもばらつきが生じます。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モニタリングの予算を確保し、そのために自社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#
検査結果が実際に動作するシステムに届かなければ、役に立ちません。ほとんどの導入では、欠陥率を他の生産指標と併せて表示できるよう、結果を製造実行システム(MES)またはヒストリアンに送信する必要があります。また、製品が工程を離れる前に不合格にできるだけの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、複数のラインにわたる柔軟なデプロイが必要な場合、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、オープンソースモデルとしてUltralytics YOLOを選択してください。必要に応じて、アノテーション、トレーニング、デプロイにUltralytics Platformを組み合わせられます。
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。
統合型マシンビジョンシステムとソフトウェア中心のワークフロー、どちらを選ぶべきでしょうか?#
「最良のマシンビジョンシステム」の候補リストでは、通常、統合型システム同士を比較します。より有用な最初の判断は、検査箇所に適したアーキテクチャを選ぶことです。それによって、そもそも候補に含めるベンダーが決まります。
| 状況 | 統合型マシンビジョンシステム | ソフトウェア中心のモデル(例:Ultralytics YOLO) |
|---|---|---|
| 欠陥の種類が頻繁に変わる、または製品によって異なる | 選択したシステムにルールベースのツールとトレーニング可能なツールのどちらが含まれるか、また更新をどのようにテストするかを確認します | 変化した欠陥の新しいサンプルで再トレーニングし、その後に再テストします |
| 妥当性確認済み、または規制対象の検査箇所 | ベンダーのドキュメントを求め、検査全体の妥当性確認を誰が行うか合意します | 品質チームとともに、モデルと検査全体の妥当性確認を計画します |
| 社内のビジョンエンジニアリング体制 | ベンダーまたはインテグレーターの担当範囲と、自社チームが担う必要のある範囲を確認します | 統合、再トレーニング、モニタリングを担う自社チームまたはパートナーが必要です |
| 多数のラインまたはカメラ | 提案構成におけるハードウェア、ソフトウェア、サポート、拡張のコストを確認します | モデルのライセンス条件、プラットフォーム料金、コンピューティング費用、ハードウェア費用を確認してください |
| カメラと照明 | 提案に含まれるカメラ、光学機器、照明を確認します | 解像度、フレームレート、照明が十分であれば、標準的な産業用カメラを使用します |
| 結果に対する責任者 | 契約でベンダー、インテグレーター、工場の責任を定義します | 自社チームが担当し、必要に応じて商用サポートを利用します |
どちらのアーキテクチャを選んでも、エンジニアが確認する選定基準は同じです。ライン速度における画像解像度とフレームレート、照明と光学機器、2Dまたは3Dの検査要件、排出機構までのレイテンシ、PLCやMESとの統合、地域のシステムインテグレーターが必要かどうかです。トレーニング可能なモデルで置き換わるのは検査ソフトウェアであり、カメラ、照明、統合作業ではありません。
導入を始める#
欠陥が明確で、現在のスクラップ率を測定できる検査ポイントを一つ選びます。照明を固定します。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、既存の手動ベースラインと比較して測定した後で、規模を拡大するかどうかを判断します。
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、商用導入向けにはEnterprise Licenseを利用できます。生産ライン向けのコンピュータビジョンを評価している場合は、製造業向けUltralytics YOLOをご覧いただくか、自動欠陥検出ソフトウェアの詳細をお読みください。
よくある質問
万能な最適システムはありません。製品ページでトレーニング可能なAIを含むと説明されているCognex In-Sight D900やKeyence VSシリーズなどの統合型システムと、Ultralytics YOLOなどのソフトウェア中心のモデルを候補に含めてください。実際の部品、ライン速度、カメラと照明の要件、PLCやMESとの統合、更新ワークフロー、サポート範囲を基準に比較してください。YOLOを使用するには、自社またはパートナーによる適切なカメラ、コンピューティング環境、ライン統合が必要です。
欠陥の変化に対応するには、テストと再妥当性確認を含むワークフローが必要です。統合型システムとソフトウェア中心のプラットフォームのどちらも、トレーニング可能なモデルを提供できます。新しいサンプルへの対応、モデルの更新、受け入れテスト、ロールバックの方法を比較し、誰が検査を保守するか合意してください。まず照明とカメラの配置を最適化してください。
主に4つの用途があります。欠陥検出では、傷、ひび、汚染、色むらを見つけます。組み立て検証では、すべての部品が揃い、正しく取り付けられていることを確認します。寸法測定では、公差に照らして部品を測定します。光学式文字認識では、シリアル番号、ロットコード、ラベルを読み取ります。多くの導入は、1つの用途から始めて拡張します。
事例を学習させます。エンジニアが良品と不良品の画像を収集して欠陥にラベルを付け、両者を見分けられるようにモデルをトレーニングします。Ultralytics YOLOのような最新の物体検出モデルは、欠陥クラスごとに数百枚のラベル付き画像で実用的な精度を達成でき、その後、ラインから収集したエッジケースを追加することで性能を向上できます。
はい。これは単なる付加機能ではなく、通常は調達要件です。ビジョンシステムはPLC、ロボットアーム、排除機構に直接信号を送ります。モデルが欠陥を検出すると、ラインを停止せずに該当する製品を振り分けます。
必ずしもそうではありません。CognexやKeyenceなどの統合型ベンダーは、カメラとソフトウェアを一体のシステムとして販売しています。ソフトウェア中心のプラットフォームは、解像度、フレームレート、照明が十分であれば、すでに保有している産業用カメラで実行できます。カメラよりも照明が制約要因になることがよくあります。
照明とドリフトです。照明が一定でないと画像にばらつきが生じ、推論の信頼性が低下します。ドリフトは、仕入先の変更や材料表面の変化など、プロセスが変化したときに発生します。モデルがその変化を学習していないため、性能が低下します。導入だけでなく、再トレーニングも計画してください。
1つの検査ポイントでの概念実証には、現実的には数週間かかります。ライン全体の統合、PLCとの信号連携、オペレーターのトレーニング、検証には数か月かかります。本番品質の導入を数日で約束する場合、それはデモについて説明しているにすぎません。
執筆者
コメント
質問したり、結果を共有したり、ほかの人をサポートしたりできます。










