はじめに：異常検知AIが直面する「データ不足」というハードル
製造業の外観検査や品質検査にAIを導入しようとしたとき、多くの現場で最初に直面する問題として、異常データ不足が挙げられます。
不良品や欠陥は「本来あってはならないもの」であり、頻繁に発生しないからこそ価値があります。
しかし、AI開発の視点で見ると、これは致命的な制約になりかねません。
- 異常画像が十分に集まらない
- 学習データが偏る
- PoC段階で精度検証が進まない
こうした議題に対し、近年注目されているのが「異常検出する前に、異常を生成する」というアプローチです。
つまり、「現場で滅多に起きない異常を、学習用データとして事前に用意してしまう」という発想です。
本記事では、生成AIとLoRAを活用した異常画像生成システムの仕組みと、実際に何ができるのかを紹介します！
本システムで実現したいこと
本システムの目的は非常にシンプルで、実際にはなかなか集められない異常画像を、生成AIによって人工的に作り出すことです。
これにより、以下のような用途を想定しています。
- 外観検査AIの学習データ拡張（異常サンプル不足を補う）
- PoC実証フェーズでの早期検証（実データ待ちを短縮）
- 異常検知モデルの安定化・精度向上（希少な異常パターンも学習可能にする）
従来の「異常が出るまで待つ」「人手で疑似欠陥を作る」といった方法に比べ、スピードと再現性の両面で優位性があります。
システム全体構成の考え方
異常画像生成システムの全体像
本システムは、大きく分けると次の3つの要素で構成されています。
1つ目は、高い計算能力を確保するためのGPU環境。
2つ目は、画像生成基盤となる生成AI（Stable Diffusion系）。
3つ目は、異常の特徴だけを学習させるLoRAによる追加学習です。
これらを組み合わせることで「限られた枚数の異常画像からでも現場に近い異常画像を生成する」という目的を実現しています。
なぜ生成AIを使うのか
画像生成の基盤には、Stable Diffusion系の生成AIを採用しています。
- 画像生成の自由度が高い
- カスタマイズ性が高く、研究用途から実務まで幅広く使われている
- LoRAによる軽量学習と相性が良い
これらの理由から「きれいな画像を作る」ためではなく、異常の特徴をコントロールできる生成基盤として活用しています。
異常画像生成の流れ
ここからは、実際の操作フローに沿って、何をしているシステムなのかを説明します。
今回はデータセットとして、「MVtecAD」を使用しています。
まず、Stability Matrixを起動します。
これはStable Diffusion関連の環境をまとめて管理できるツールで、モデル管理や拡張機能の切り替えを一元化できます。
そのため、コマンド操作が苦手なメンバーでも、GUIベースで環境を開けるため、開発の属人化を防ぎやすくなります。 複雑になりがちな生成AI環境を、GUIベースで扱える点が特徴です。
このステップが、本システムの中核です。
LoRA（Low-Rank Adaptation）は、既存の生成モデルに対して差分だけを学習させる軽量学習手法です。
- 正常画像と異常画像、または疑似異常を用意
- 異常特有のテクスチャや形状をLoRAとして学習
- フルモデルを再学習する必要なし
これにより、計算コストを抑えつつ、特定の異常パターンだけを生成可能な状態を作ります。
作成したLoRAを適用し、異常画像を生成します。
- 正常画像をベースに異常を付加
- 異常の強さ・位置・パターンを変えたバリエーション生成
- 現場で想定される異常パターンを計画通りに増やしていくことができる
ここで得られる画像は、異常検知モデルの学習用データとして活用できます。
ボトルの生成例
この仕組みで「出来るようになること」
この仕組みによって以下のようなことができるようになります。
- 製造業の外観検査・表面検査の学習データ拡張
- 微細な欠陥や発生頻度の低い異常パターンの保管
- 実証事業・補助金プロジェクトでの検証データ生成
- 本番導入前の事前検証用途（事前に「ダメなケース」を試せる）
異常が起きにくい（品質が高い現場）ほど、この仕組みの価値が高まります。
利用時の注意点
一方で、注意すべきポイントもあります。
- 生成した異常は「正解データ」そのものではない
- 現場知識とのすり合わせは不可欠
- あくまで異常検知AIを育てるための補助的手段
生成した異常はあくまで「シミュレーション」であり、最終的な評価や閾値設定には、実際の現場データでの確認が不可欠です。
そのため、過度な期待をせず、「開発を前に進めるための道具」として使うことが重要です。
異常画像生成は「検査AI開発の前工程」
異常画像生成システムは、異常検知AIの代替ではありません。
しかし、検知モデルを作る前の工程として、非常に強力な武器になります。
- データを集めるのではなく、設計する
- 異常が出るのを待たない
- 検査AI開発を止めない
こうした考え方は、今後のAI活用においてますます重要になっていくでしょう。
もし「異常サンプルが集まらずに検査AIの開発が止まっている」状況があるなら、異常画像生成を前工程として取り入れることが、プロジェクトを一歩前に進めるきっかけになります。
おわりに
本記事は、宮城県産業技術総合センターにおいて実施した地域企業競争力強化支援事業「外観検査DXに資するAI画像処理デジタル技術開発と産業応用」の一環として取り組んだ、生成AIを活用した異常画像生成技術について、匠ソリューションズへ技術展開を行い、当社で実施した内容をまとめたものです。
宮城県産業技術総合センターは、産業振興を技術的な面から支援する公設試験研究機関として、研究開発、技術支援、人材育成、産学官連携を通した地域産業の振興に取り組んでいます。
