画像認識AIの実装事例12選｜図面・検査・点検で「実用レベル」の精度はどう作るか

• 図面をスキャンしてマルチモーダルLLM（テキストだけでなく、画像・音声・動画など複数の情報を同時に扱い、統合的に処理できる大規模言語モデル）に投げてみたものの、記号の読み違いが多くて実務では使えなかった。
• 検査画像を生成AIに判定させたが、微細な差異を拾ってくれなかった。

こうした経験をお持ちの方は少なくないはずです。

生成AIの進化によって「画像はAIに投げれば読める」という感覚が広がりました。しかし実務の現場では、精度が数パーセント足りないだけでシステムは使われなくなります。
画像を扱うAIで難しいのは、それらしい結果を出すことではなく、現場が判断を委ねられる水準まで精度を引き上げることです。

私たちAVILENは、製造・建設・エネルギー・医療といった業界で、図面認識・異常検知・帳票処理といった画像系のAIを実装してきました。
この記事では、そのうち12の事例を「何を見せるAIか」という軸で整理し、実用レベルに到達させるために何をしたのかを具体的に紹介します。

単なる事例の羅列ではなく、技術選定の判断材料として読める形にまとめました。

画像を「AIに投げれば読める」とはいかない理由

最初に、実務で精度が出ない典型的なパターンを整理します。

精度が出ない典型パターン

AVILENが支援した案件で繰り返し直面してきたのは、次のような課題です。

①フォーマットが統一されていない
2D図面の見積業務を支援した建設業界の事例では、クライアントごとにフォーマットが異なり、統一が難しいため、実用レベルでの自動認識が困難な状況にありました。
実際、市場に流通する図面の多くはPDFやExcel、紙のFAXで送られてくる2D図面です。

②記号や微細な差異の識別が必要
顕微鏡画像からミクロ繊維（アスベスト）を検出する製造業界の事例では、従来の画像処理技術では誤検知が多く、実用に耐えない状況にありました。
人の目には明らかな違いでも、汎用的な手法では拾いきれません。

③そもそも従来のAIアプローチでは精度が届かない
最も象徴的なのが、製造業界の図面認識AI事例です。この企業はすでにAIによる図面解析を進めていましたが、2D図面から形状や加工情報を正確に抽出することは難しく、実際には20枚に1枚程度しか正しく認識できない状況でした。当然、実務では使えません。

IT業界の3Dモデル類似度検索の事例でも、生成AIでは対応が困難な高度な3D幾何学データの解析が壁になっていました。
このクライアントは論文に基づいた独自開発を3年続けても、期待する精度に到達できずにいました。

「読めそう」と「使える」の間にある距離

これらに共通するのは、デモでは動くが実務では使えないという状態です。
20枚に1枚しか認識できないAIは、19枚を人が手作業で処理することになり、かえって工数が増えます。誤検知の多い検査AIは、確認作業が上乗せされるだけです。

この距離を埋めるのが、画像認識AIの実装で最も難しく、そして最も価値のある部分です。

AVILENのアプローチ｜古典的画像処理 × 深層学習 × 生成AI

なぜ1つの技術では足りないのか

前述の図面認識AI事例で、AVILENが採用したのは古典的な画像処理アルゴリズム・深層学習モデル・生成AIを組み合わせた独自のハイブリッドな解析手法です。

それぞれ得意な領域が違います。古典的画像処理は線分や図形の幾何学的な抽出に強く、深層学習は多様なパターンの分類・検出に強い。生成AIは文脈を踏まえた意味の解釈に強い。図面のように「線と記号と文字が混在し、その関係性に意味がある」対象は、どれか1つでは扱いきれません。

ハイブリッドで何が変わったか

結果として、2D図面からの情報抽出精度は約8倍に向上し、80%以上の精度で見積を自動生成するシステムを構築するに至りました。
20枚に1枚しか読めなかった状態からの転換です（詳細は後述の事例1で紹介します）。

こうした技術選定を支えているのが、社内の専門性です。AVILENの執行役員CTOはコンピュータビジョン・機械学習・ディープラーニング領域を専門とし、複数の国際学会へ査読付き論文の採択実績を持ちます。
画像領域の案件では、この知見を前提に手法を設計しています。

以下、実際の事例を4つのカテゴリに分けて紹介します。

【図面を読む】設計・見積業務の事例

図面は、画像認識AIの適用先として最も需要が大きく、同時に最も難易度が高い領域です。
線・記号・文字が混在し、しかもその配置関係に意味があるためです。

事例1｜製造業・図面認識AI——情報抽出精度が約8倍に

機械図面から設計情報を抽出する案件です。見積業務は図面の読み取りと加工条件の判断を伴う高度な業務で、ベテラン担当者の経験に依存していました。
担当者ごとに判断基準が異なるため、見積結果にもばらつきが生じていました。

前述のハイブリッド手法により情報抽出精度を約8倍に引き上げ、80%以上の精度で見積を自動生成できるようにしています。
さらにMLOps基盤を構築し、抽出結果や見積結果をリアルタイムで可視化してモデル改善のPDCAを高速に回せる体制を整えました。
導入して終わりではなく、運用しながら精度を上げ続けられる設計です。

【関連記事】【AI変革事例＿製造業界】製造業界の設計指示コストを大幅に削減できる図面認識AIソリューション

事例2｜建設業・P&ID図の自動読み取り——数万点の部材をリスト化

化学プラント設計で使われるP&ID図（配管計装図／プラント内の配管と計測制御機器の接続を表した図面）を対象にした案件です。
1枚の図面から数万点にのぼる配管・バルブ・計器を目視でリスト化して発注しており、工数とダブルチェックの負担が過大でした。
図面上の記号やIDと商品IDが一致しないことによる誤発注も、工期遅延のリスクになっていました。

画像処理AIと生成AIを組み合わせて図面情報を抽出し、図面IDと商品情報を紐づける独自のIDマッチングアルゴリズムを開発。
作業工数を約25%削減し、タスク期間を4ヶ月から3ヶ月へ短縮しました。

この案件で特徴的なのは、AIが読めない箇所は現場で手修正する前提のUIを設計した点です。
100%の自動化を狙わず、記載ルールを最小限に抑えることでフォーマットの差異に対応しました。

【関連記事】【AI変革事例＿建設業界】画像処理AIと生成AIを活用し、P&ID図の自動読み取りシステムを構築

事例3｜建設業・2D図面の見積業務——工数83%以上削減

建築設備部品の見積業務を対象にした案件です。数万点に及ぶ部品を手作業で判別しており、見積算出が事業成長のボトルネックになっていました。
判断が熟練者の勘や経験に依存している点も課題でした。

画像認識AI・AI-OCR・生成AIを組み合わせて部品の型番と個数を特定し、熟練者の判断プロセスをヒアリングして定量的な見積ロジックに落とし込むことで、見積金額の算出まで自動化しました。
作業工数は83%以上削減されています。

技術的な自動化だけでなく、属人化していた「職人芸」を形式知に変換した点がこの事例の本質です。

【関連記事】【AI変革事例＿建設業界】熟練者の知見を定量化。2D図面の見積り業務を83%削減したAI自動認識システム

事例4｜IT業界・3Dモデル類似度検索——3年の停滞を3ヶ月で突破

過去に蓄積された3Dモデルを形状から検索できるようにする案件です。
クライアントである大手ソフトウェア企業は、自社エンジニアが3年を費やして研究開発を続けていましたが、期待する精度に届かずにいました。

AVILENは実務経験豊富なデータサイエンティストによるOJT形式で支援しました。
着手したのはアルゴリズムの提供ではなく、適切な精度評価指標の再設定と、どのようなデータセットを構築すれば実用性が高まるかという仮説立てです。

そのうえで特徴抽出技術をブラッシュアップし、高速なPDCAを回しました。

結果、支援開始からわずか3ヶ月で製品に搭載できる精度に到達し、検索精度は従来比30%向上しています。
「データセットの作り方」と「評価指標の設定」というAI開発の最上流工程に手を入れたことが、短期間での成果につながりました。

【関連記事】【AI変革事例＿IT業界】3Dモデル類似度検索の精度を劇的に向上

【異常を見つける】検査・点検業務の事例

異常検知は、正常データは大量に集まる一方で異常データが集まりにくいという構造的な難しさがあります。
求められる精度も、見逃しがどれだけ許されないかで大きく変わります。

事例5｜エネルギー業・ドローン×損傷検知AI——1次スクリーニングで99%以上

橋梁・風車・超大型鉄塔といった大型設備の点検を対象にした案件です。従来は高所作業車やはしごを使った作業員の目視が一般的で、点検のために設備の稼働を数日間停止する必要がありました。
稼働停止はそのまま損失になります。

ドローンの導入自体は進んでいたものの、撮影画像のチェックは依然として人手の目視に頼っており、大幅な工数削減には至っていませんでした。
そこでドローン撮影とAIによる画像解析を統合し、損傷・被雷痕・ひび割れ・汚れ・サビを自動検出する仕組みを構築しています。

結果、損傷の「あり・なし」を判断する1次スクリーニングで99%以上の精度を達成しました。ここを自動化したことで、人は「あり」と判定された箇所の精査に集中できます。
建造物の稼働を停止させる必要がなくなり、作業員が高所や危険な場所に立ち入る必要もなくなりました。

【関連記事】【AI変革事例＿エネルギー業界】ドローン撮影と損傷検知AIによる大型設備点検の自動化

事例6｜製造業・顕微鏡画像からのアスベスト検出——3ヶ月でプロダクト搭載レベルへ

大手精密機器メーカーが、建築・解体事業者向けにミクロ繊維の自動検出システムを開発していた案件です。
顕微鏡というハードウェアには高い技術力を持つ一方、ソフトウェア・AI開発の知見が少なく、従来の画像処理技術では誤検知が多くて実用に耐えない状況でした。

AVILENはセマンティックセグメンテーション（画像を画素単位で分類し、対象物の領域を正確に切り出す手法）によるモデル開発を行い、アノテーションからモデル構築、評価・改善までのプロセスを設計しました。
わずか3ヶ月のPoCで、実際のプロダクトに搭載可能なレベルの自動検出AIを開発し、目標としていた検出率と誤検知率を達成しています。

もう一つの狙いは内製化でした。週1回の定例コンサルティング、SlackでのQ&A、サンプルコードの提供、コードレビューを組み合わせた伴走型OJTにより、クライアントのメンバーが自走できるレベルまで成長しています。

【関連記事】【AI変革事例＿製造業界】顕微鏡画像からミクロ繊維（アスベスト）を正確に特定

事例7｜製造業・AIが清掃の「正解」を判定——監督コストを年間1,000万円以上削減し約2年間の継続運用

食品工場でクリーンルーム入室前に行う粘着ローラ清掃を、録画データの解析で自動判定する案件です。目視確認では全身を清掃できているか正しく判定できず、監督人員の配置にもコストがかかっていました。
24時間稼働かつ多国籍な従業員が働く環境では、言葉の壁や時間帯による管理のばらつきも生じていました。

構築したのは、全身の決められた箇所を正しい動作と秒数で清掃できているかをAIが即座に判定し、AIが「OK」を出さない限りクリーンルームに入れないという仕組みです。
判定を物理的な入場制限と連動させることで、清掃の形骸化を防ぎました。

成果は、24時間稼働の現場で300名を休むことなく監督し、年間1,000万円以上のコスト削減を実現。年間5万回以上の利用実績を積み上げ、約2年間にわたって継続導入されています。
この案件は「Clean AI Manager」としてプロダクト化されました。

PoCで終わらず、実務のなかで2年間動き続けていることが、このシステムの実用性を証明しています。

【関連記事】【AI変革事例＿製造業界】AIが清掃の「正解」を判定。実務に即した自動監督システム

【文字を読む】帳票・書類処理の事例

図面認識と近い領域ですが、帳票処理では「フォーマットが業者ごとにバラバラ」という制約がより強く効きます。

事例8｜製造業・帳票処理AIエージェント——見積工数83%以上削減

大手総合電機メーカーの見積業務を対象にした案件です。顧客から送付される紙の図面をもとに部品を目視で確認し、型番や個数を特定していました。
数万点の部品を扱う必要があり、顧客ごとに図面レイアウトが異なるため、経験と勘に依存した属人的な運用になっていました。

帳票処理AIエージェント『帳ラク』により、非定型の製品図面から型番や個数を自動抽出。従来のAI-OCRでは難しかった構造・レイアウトの認識と高精度な文字認識を実現しました。
オペレーターの作業工数は83%以上削減されています。

この事例で注目すべきは、見落としがちな部品をAIが能動的に報告する設計です。
オペレーターは確認作業のみを担当する役割に移行し、手戻りと確認作業が削減されました。抽出して終わりではなく、人の作業の弱点を補う方向に踏み込んでいます。

【関連記事】【AI変革事例＿製造業界】帳票処理AIエージェント活用による製品図面の読み取り・見積業務の効率化

事例9｜建設業・工事書類のAI-OCR——読み取り精度80%、工数90%以上削減見込み

電力プラントの保守業務で発生する工事書類の転記作業を自動化した案件です。現場監督の本来の役割は工事の安全や品質の管理ですが、実際には大量のドキュメント対応に追われ、繁忙期には残業が常態化していました。
協力業者から届く情報は紙・FAX・PDFと多岐にわたり、フォーマットの統一や完全な電子化が極めて困難な状況でした。

AI-OCRとRPAを組み合わせ、多種多様な形式の書類から記載内容を抽出して会社指定フォーマットのExcelに自動出力するシステムを構築。
読み取り精度80%を達成し、対象業務で90%以上の工数削減が見込まれています。

この案件の進め方には示唆があります。過去に業務プロセス全体を一度に変えようとして現場の反発を招き、DXが定着しなかった経験を踏まえ、最も煩雑だった転記作業に絞って着手するというアプローチを採りました。
現場の負担をピンポイントで軽減し、成功体験を積み重ねることを優先しています。

【関連記事】【AI変革事例＿建設業界】工事書類の転記工数を90%削減するAI-OCRソリューション

【画像以外も見る】異常検知は画像だけではない

異常検知というタスクは共通でも、入力データが変われば選ぶべき手法は変わります。
画像認識の文脈で語られがちな異常検知が、実際にはもっと広い技術領域であることを示す2例です。

事例10｜製造業・波形データの異常検知——AEセンサー × AutoEncoder

プレス加工製品の検品を目視で実施していた案件です。
人による検品のため基準にばらつきがあり、属人的になっていました。また、異常品の出荷リスクを最小限に抑えたいという要望がありました。

ここで扱うのは画像ではなく、AEセンサー（アコースティック・エミッションセンサー／材料が変形・破壊する際に発生する微弱な弾性波を捉えるセンサー）が取得する波形データです。
まずAEセンサーによる波形データの取得方法を確立し、AutoEncoderによる教師なし学習モデルの開発と検証を行いました。センサーデータの品質問題を特定し、改善策を提案する工程も含んでいます。

この案件はAI開発OJTとして実施され、目視検品の自動化という技術目標と並行して、現場作業者のAIリテラシー向上を図りました。
なぜAEセンサーが必要なのか、モデルはどう検証されるのかを作業者自身が経験することで、内製化への第一歩を踏み出しています。

【関連記事】【AI変革事例＿製造業界】波形データを用いた異常検知AIの開発OJT

事例11｜医療業・DNAデータ分布からの疾患検出——判定精度82%、分析1時間→10分

DNA分析で2次元グラフ上に現れる膨大なデータ点から、疾患の有無を判定する案件です。
最終判断を専門医が目視で確認して手動で分析しており、高度に属人化していました。
導入済みのクラスタリングソフトは精度が低く実用性に欠け、1件あたりの分析に約1時間を要していました。

蓄積された膨大な細胞データを活用し、正常な分布と疾患がある分布のパターンを学習させることで、クラスタリングと異常検知による自動判定ロジックを構築。
判定精度82%を達成し、分析時間を1時間から約10分へ、約83%短縮しました。

「画像」ではなく「分布」を見る異常検知ですが、パターンを空間的に捉えるという意味では画像認識と地続きの技術です。

【関連記事】【AI変革事例＿医療業界】DNAデータ分布による疾患の自動検出

【データがないところから始める】学習データを作るところからの事例

ここまでの11事例は、程度の差はあれ学習や検証に使える実データが存在していました。
しかし実務では、そもそも画像が1枚もない状態から始めなければならないことがあります。

事例12｜エネルギー/インフラ業・配管点検——実物の画像がない段階で教師データを生成する

火力発電所の配管点検を対象にした、電力会社との実証実験です。従来の点検は作業員による目視確認で行われており、酸素欠乏危険作業を伴う上に、判断が属人的になりやすく、補修候補箇所を見落とすリスクが常に課題でした。
発電設備で見落としが発生すれば、将来的な不具合や重大事故につながりかねません。

この案件には、もう一つ大きな制約がありました。ドローン撮影が実施されるまで、AIの検知精度を検証するための画像データが存在しないという問題です。
通常であれば、撮影が終わるまでAIの検討は始められません。

AVILENは、画像生成AIを活用して過去の点検記録や現場担当者へのヒアリングをもとに劣化事象のデータセットを構築し、実物の画像がない環境下でAI解析モデルの基盤を先行して整えました。
「データが揃うのを待つ」のではなく、「データを作って先に進める」という判断です。

数ヶ月にわたる実証実験の結果、目視点検でリストアップされた補修候補箇所をAI解析モデルで検知できることが確認でき、さらに追加でリストアップすべきと想定される事象を複数検出しました。
点検時間は従来と同等の水準で完了できる見込みで、AI解析にかかるAPIコストも低水準に抑えられることを確認しています。

あわせて、経年データを一元管理するデモアプリケーションを構築しました。
数年に一度というロングスパンの点検でも、前回の結果を引き継いで比較できる環境が整いつつあります。

先に紹介した事例5（ドローン×損傷検知AI）とは、同じドローン活用でも問いが違います。
事例5が「実データがある前提で、どこまで精度を上げられるか」を問うのに対し、こちらは「実データがないところから、どう立ち上げるか」を問う事例です。

「データがないからAIは無理」と判断している領域があるなら、このアプローチが有用な選択肢になります。

【関連記事】【AI変革事例＿エネルギー/インフラ業界】AIとドローンで配管点検を高精度化し見落としリスクと危険作業を低減

実用レベルの画像認識AIを作るための4つの要件

12事例を振り返ると、実用に到達した案件には共通する設計上の判断があります。

①タスクに合わせて手法を選ぶ

「画像認識」とひとくくりにされますが、実際には分類・検出・セグメンテーション・OCRなど異なるタスクの集合です。
アスベスト検出では対象物の領域を画素単位で切り出す必要があったためセマンティックセグメンテーションを選び、図面認識では線分の幾何学的抽出と意味解釈の両方が必要だったため古典的画像処理と生成AIを組み合わせました。

先に手法を決めてタスクを当てはめるのではなく、タスクの性質から手法を選ぶ。当たり前のようでいて、ここを外している案件は少なくありません。

②評価指標を「現場の判断」に合わせる

3Dモデル類似度検索の事例で最初に着手したのは、適切な精度評価指標の再設定でした。
3年間精度が上がらなかった原因は、アルゴリズムそのものよりも、何をもって「良い」とするかの定義にありました。

ドローン点検の事例も同様です。損傷箇所の完全特定ではなく「あり・なし」の1次スクリーニングに絞ったからこそ、99%以上という実用水準に到達しています。
現場が本当に必要としている判断は何かを見極めることが、精度目標の設計そのものです。

③学習データをどう集めるかを先に設計する

3Dモデルの事例では、どのようなデータセットを構築すれば実用性が高まるのかという仮説立てを支援の起点にしました。
波形データの事例では、モデル開発の前にAEセンサーによるデータ取得方法の確立とセンサーデータの品質問題の特定から始めています。

モデルの前にデータ。この順序を守れるかどうかが、開発期間を大きく左右します。

④100%を狙わず、人が介在する前提で設計する

P&ID図の事例では、AIが読めない箇所は現場で手修正する前提のUIを設計し、記載ルールを最小限に抑えることでフォーマット差異に対応しました。
帳票処理の事例では、オペレーターを確認作業に専念させる役割分担を組んでいます。

AIに任せる範囲と人が担う範囲を最初に線引きする。これが、現場で使われ続けるシステムと使われなくなるシステムを分けます。
あわせて、図面認識の事例のようにMLOps基盤を整え、運用しながら精度を改善できる体制を組んでおくことが望ましいでしょう。

【関連記事】使われるAIソフトウェアの条件～現場理解から逆算するUX×要件定義のリアル～

まとめ｜画像認識AIは「何を見せるか」で決まる

12の事例に共通しているのは、汎用的な手法をそのまま当てはめた案件は一つもないという点です。
図面には図面の、顕微鏡画像には顕微鏡画像の、波形には波形の性質があり、それに合わせて手法・評価指標・データ設計・人との役割分担を組み立てています。

生成AIの登場によって画像を扱うハードルは確かに下がりました。しかし、実務で求められる精度は生成AI単体では届かないことが多く、そこを埋めるのは古典的画像処理や深層学習を含む技術の組み合わせと、現場理解に基づく設計判断です。

図面や検査画像の自動化を検討していて、一度精度の壁にぶつかった経験があるなら、それは適用先が悪かったのではなく、手法と評価設計を見直せば越えられる壁かもしれません。

【関連記事】暗黙知の蓄積とAIへの知の移転がもたらす、製造業におけるAI変革の正解

画像認識AIの実現性について相談する

AVILENでは、コンピュータビジョンを専門とするデータサイエンティストが、企画構想から手法選定、PoC、実装、運用体制の構築までを一貫して支援しています。
内製化を目指す場合は、OJT形式でノウハウを移転しながら進めることも可能です。

「この図面はAIで読めるのか」「どれくらいのデータ量が必要か」「どの手法が適しているか」といった段階のご相談から承ります。まずはお気軽にお問い合わせください。

ソリューションについて詳しくご説明している資料のダウンロードも可能です。