【2026年最新】製造・設備保全のオンデバイスAI×論文4選|「ラインの横で、ネットにつながずに判定したい」を解く

【2026年最新】製造・設備保全のオンデバイスAI×論文4選|「ラインの横で、ネットにつながずに判定したい」を解く AIニュース

製造現場の外観検査や設備の異常検知にAIを使う取り組みは、すでに珍しくありません。ただし工場のラインでは、判定をその場で、ラインを止めずに、外部のネットワークに頼らずに行う必要があります。製品の画像や設備のデータは社外秘であることも多く、クラウドへ送ること自体が難しい現場もあります。

しかし実際に導入しようとすると、「ラインの横に置ける小さな機器では、モデルがメモリに載らない」「品種の切り替えが多く、そのたびにクラウドで学習し直すのは現実的でない」「LLMを工場の機器に載せたいが、圧縮したら精度が崩れないか」といった壁にぶつかります。

この記事では、まず経済産業省のガイドラインと各社の公式資料をもとに「工場でAIをどこに置くか」「機器の中でどう動かすか」の全体像を整理し、そのうえで2025年〜2026年にarXivへ投稿された論文から、工場の機器でAIを動かすための軽量化と、その落とし穴を扱った4本を紹介します。結論を先に言うと、判定する場所を先に決め、軽量化の効果と引き換えに失うものを自社のデータで測り、現場での更新と機器の管理まで設計に含めるのが基本です!

工場でAIを「ラインの横」に置く理由

工場は「ネットにつながない前提」で作られてきた

経済産業省の「工場システムにおけるサイバー・フィジカル・セキュリティ対策ガイドライン」は、工場の制御システムや機器はもともと、インターネットなどにさらされないことを前提に設計されてきたと説明しています。一方で、IoT化や工場のDXが進み、設備の稼働データを活用するために工場のネットワークを外とつなぐ機会が増え、新たなリスク源も増えているとも書いています(経済産業省「工場システムにおけるサイバー・フィジカル・セキュリティ対策ガイドライン Ver1.1」)。

同じガイドラインは、工場の特徴として、データの保護だけでなく機器の稼働の維持や安全の確保が求められること、古い設備が動いている場合は段階的に対策を入れる必要があることを挙げています。判定のたびに外のサーバーへ問い合わせる構成では、通信が切れたときに判定やラインをどうするかまで設計しておく必要があります。

つなぐなら「ゾーン」で考える

ガイドラインは、業務の内容や重要度が同じ領域ごとに工場をゾーンに分けて考える方法を示しています。生産ラインの制御ゾーン、事務系のOAゾーン、設備ベンダーの遠隔保守用のゾーンなどです。さらにコラムでは、データ活用やリモート保守のために、制御ゾーンや生産管理ゾーンからOAゾーンを経由せず直接インターネットにつながる経路を作るケースがあり、不正侵入やマルウェア感染のリスクがあると注意しています。外部のクラウドで分析する場合は、許容できる最大の停止時間やクラウド事業者自身の事業継続まで考える必要がある、とも書かれています。

ラインの横で判定を済ませるオンデバイスAIは、こうした「外への経路」を増やさずにAIを使う手段の1つです。

オンデバイス推論の仕組み:どこで、どこまで小さくするか

センサーの中・ラインの横・工場内のサーバー

推論(学習済みモデルで判定すること)を行う場所は、大きく3つに分けられます。

置き場所例上限になるもの
センサーの中AI処理機能付きのイメージセンサー数MBのメモリと消費電力
ラインの横小型の組み込みコンピューター数GBのメモリと発熱・電源
工場内のサーバーGPU付きの機械ネットワーク経路とゾーン設計

センサーの中で判定する例が、ソニーのインテリジェントビジョンセンサー IMX500 です。ソニーの説明では、画素のチップとAI処理用の回路(DSPとAIモデルを書き込むメモリー)を持つチップを積み重ね、センサーの中で判定まで行います。結果を画像ではなくメタデータ(判定結果などの情報)として出力できるため、データ量を減らせるうえ、画像を外に出さないことでセキュリティリスクの低減やプライバシーへの配慮にもつながるとしています。AIモデルはあとから書き換えることもできます(ソニーセミコンダクタソリューションズ「インテリジェントビジョンセンサー(AIセンサー)」)。

ラインの横に置く小型コンピューターの例が、NVIDIA の Jetson Orin のような組み込み向けの製品群です。一方、同じ NVIDIA でも DGX Spark は128GBのメモリを持つ「デスクトップ」向けの機械と位置づけられています(NVIDIA「Jetson Orin」、NVIDIA「DGX Spark」)。論文の「エッジ」がどの機械を指すかは、必ず確かめましょう。

小さくする方法:量子化と枝刈り

モデルを小さな機器に載せる代表的な方法が量子化です。Google の LiteRT の公式ドキュメントでは、学習済みのモデルを変換時に整数で表す「完全な整数量子化」で、モデルが約4分の1になり、3倍以上の高速化が見込めるとしています。ただし、そのためには学習データなどから100〜500件ほどの代表的なデータを用意して、値の範囲を調べる必要があります(Google「Post-training quantization」)。もう1つが、モデルの一部を丸ごと削る枝刈りです。オンデバイスAI全般の基本はオンデバイスAIの記事でも紹介しています。

どちらも小ささ・速さと精度の引き換えです。ここからは、それを工場の題材で調べた論文を見ていきます。

研究で見る「工場の機器で動かすAI」

📄 論文: 外観検査の定番モデルを、さらに小さくする代償

Efficient Visual Anomaly Detection at the Edge: Enabling Real-Time Industrial Inspection on Resource-Constrained Devices(Arianna Stropeni ほか、2026年3月、arXiv:2603.20288)は、査読前の論文(プレプリント)です。

外観検査で定番の異常検知手法 PatchCore と PaDiM は、良品の特徴を大量に覚えておく仕組みのため、メモリを多く使います。この論文は、すでに軽量なネットワーク(MobileNetV2)に置き換えた版を出発点に、覚えておく特徴を圧縮して保存する「PatchCore-Lite」と、距離の計算を簡略化した「PaDiM-Lite」を作り、外観検査の定番ベンチマーク(MVTec AD と VisA)で精度とメモリを測りました。PatchCore-Lite は、MobileNetV2 を使う軽量版(PatchCore-Edge)と比べて、モデルと特徴を合わせたメモリを79%減らしました。ただし本文の表を見ると、画像単位で不良を見分ける性能(AUROC、1に近いほど良い)は MVTec AD で0.95から0.86に下がり、圧縮した特徴を戻す処理のぶん推論時間はかえって延びています。なお速度は、エッジ機器を模したデスクトップ向けCPUで測ったものです。

現場にとっての意味は、「メモリが減った」という数字だけで採用を決めないことです。何と比べての削減か、見逃しや処理時間がどう変わるかをセットで確かめます。

📄 論文: カメラのセンサーの中で、異常検知まで済ませる

TinyGLASS: Real-Time Self-Supervised In-Sensor Anomaly Detection(Pietro Bonazzi ほか、2026年3月、arXiv:2603.16451)は、AICAS 2026 採録(abs のコメント欄の記載)です。

良品の画像だけで学習する異常検知手法 GLASS を軽くして、ソニーの IMX500 の中で動かした研究です。土台のネットワークを小さな ResNet-18 に替えて8ビット整数に量子化し、精度は MVTec AD と顕微鏡で撮った自作の部品画像で、速度と電力は IMX500 の実機で測りました。量子化後のモデルは、元の GLASS の99.1%に対して画像単位の AUROC 94.2%を保ち、IMX500 では8MBの制約内(使用量5.41MB)で毎秒20コマ・1回あたり4.0mJで動きました。学習用の良品画像に不良品を混ぜる実験(MVTec AD のカーペットと自作データ)では、30%の混入で画素単位の AUROC が99.2%から80.8%まで下がった例もあります。

現場にとっての意味は、カメラから画像を出さずに判定まで終える構成が、研究では実機で示されたことです。ただし見分ける力は落ち、学習画像の混入にも弱くなります。

📄 論文: 品種が変わるたびに、現場の機器で覚え足す

On-Device Continual Learning for Unsupervised Visual Anomaly Detection in Dynamic Manufacturing(Haoyu Ren ほか、2025年12月、arXiv:2512.13497)は、EEAI 2025(European Conference on EDGE AI Technologies and Applications)採録(abs のコメント欄の記載)です。

多品種少量生産では製品の切り替えが頻繁で、そのたびにモデルの更新が必要です。しかも照明やカメラ位置が固定された検査では、同じ品種の良品画像は何枚撮ってもほぼ同じになります。この論文は PatchCore をもとに、新しい品種の良品画像を1枚ずつ受け取って、覚えておく特徴に足りない代表点だけを足していく仕組みを作りました。5種類の部品の並べ方を自由に変えられる試験台を使い、未知の35通りの並べ方で評価し、組み込みボード(Jetson Orin Nano のCPUのみ)で速度とメモリも測っています。本文の表では、AUROC が比較対象の継続学習の方法の0.776に対し0.890、画像の水増しを加えると0.992でした。学習時のメモリは、まとめて学習し直す方式の約227MBから約23MBに減っています。

現場にとっての意味は、品種の追加をクラウドでの再学習に頼らずラインの横で済ませられる可能性です。ただし評価は模擬環境の試験台で、実際のラインで長く運用した結果ではありません。

📄 論文: LLMの圧縮は、モデルの構造しだいで崩れる

Cascaded Multi-Granularity Pruning for On-Device LLM Inference in Industrial IoT(Jinghan Wang ほか、2026年6月、arXiv:2606.26861)は、査読前の論文(プレプリント)です(abs には学術誌に投稿中と記載)。

題材は、公開の軸受データセット(CWRU)の振動データから故障の種類を見分ける、LLMをもとにした診断モデルです。この論文は、層→アテンションヘッド→内部のチャネルの順に粗いところから細かいところへ削り、段階の間に軽い再学習を挟んで重要度を見積もり直す枝刈りの方法を提案し、88M〜6.25Bパラメータのモデルで試しました。88Mのモデルでは13.8倍まで圧縮しても正答率83.82%を保ち、比較した方法の中で最も良い結果でした。ただし2〜4倍程度の軽い圧縮では、単純な方法のほうが良い場面もありました。

注目すべきは構造による違いです。同じ基準で約2倍に削ると、GPT-2 型のモデルは94%台を保った一方で、ChatGLM-2 型(GQA と SwiGLU という構造)は19.75%まで落ちました。両者の差は約74ポイントです。再学習すると87%台まで戻ったため、著者らは「削る部分の選び方が、この構造では当てにならない」ことの表れだとしています。また実機での検証は128GBのメモリを持つ DGX Spark の1台だけで、より制約の厳しい機器で通用するかは今後の課題だと述べています。

現場にとっての意味は、圧縮の数字を構造の違うモデルにそのまま当てはめてはいけない、ということです。

現場でやること

判定する場所と、画像の行き先を先に決める

置き場所でメモリと電力の上限が決まり、使える手法が変わります。同時に、画像や判定結果がどのゾーンまで流れるかも決めます。センサーの中で判定結果だけを出す構成なら、画像を外に出さずに済みます。

軽量化の効果と失うものを、自社の画像で測る

論文の数字は、ベンチマークや特定のモデルでの結果です。軽量化の前後で、次の点を自社の画像やデータで比べてください。

  • 不良の見逃しと良品の誤判定がどう変わったか
  • 1件あたりの処理時間が、ラインの速さに間に合うか
  • メモリの削減は何と比べての数字か

品種切り替えの更新手順を決めておく

新しい品種の良品画像を誰が撮り、どの機器で覚え足し、更新後の判定をどう確かめるかを手順にしておきます。良品画像に不良品が紛れると性能が下がるので、登録前の確認も含めます。

エッジ機器も工場の資産として管理する

ラインの横に置くAI機器も、工場のネットワークにつながる機器の1つです。IPAの報告書は、IoT機器の中には情報を保存する一方で暗号化などの保護機能を持たないものがあり、製品の仕様や生産方式につながるセンサー情報や、カメラの画像を扱う機器には特に注意が必要だとしています(IPA「スマート工場化でのシステムセキュリティ対策事例 調査報告書」)。

  • 機器をどのゾーンに置くかを決め、外への直接の経路を作らない
  • 機器に画像を保存するなら、保存期間と保護の方法を決める
  • モデルの更新や書き換えを、誰がどの経路で行うかを決める

製造・設備保全のオンデバイスAIの鍵は次の3点です

  1. 「どこで判定するか」を先に決める
    センサーの中、ラインの横、工場内のサーバーのどこで動かすかで、メモリと電力の上限と、データの流れが決まります。
  2. 軽量化の効果と失うものを、採用するモデルと自社のデータで測る
    同じ手法でもモデルの構造で結果は大きく変わります。メモリの削減率だけでなく、見逃しや処理時間の変化も確かめます。
  3. 現場での更新と機器の管理まで設計に含める
    品種の切り替えに備えて現場で覚え足す手順を用意し、AI機器もゾーンと保護の対象として管理します。

まとめ:工場のエッジAIは「載せられるか」から「載せたあとも保てるか」へ!

工場の制御システムは外につながない前提で作られてきたため、ラインの横で判定を済ませるオンデバイスAIは相性の良い選択肢です。今回の4本は、小さくすること自体は可能になってきた一方で、精度や速度との引き換えや、構造による崩れといった落とし穴があることを示しています。

まずは検査したいラインを1つ選び、「どこで判定し、画像をどこまで流すか」と「今の見逃し率」を書き出してみてください。それが軽量化を測る物差しになります!

参考文献

タイトルとURLをコピーしました