AIエンジニアへの転身ガイド
画像検査・画像処理のエンジニアからフィジカルAIへ|ロボットの「目」を作る仕事への移り方
更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)
フィジカルAIのロボットは、ほとんどがカメラで世界を見て動きます。バラ積みの部品を拾う、棚から商品を取る、模倣学習のモデルがカメラ画像から次の動作を決める。どれも、画像がうまく取れていることが出発点です。
外観検査や画像処理をしてきたエンジニアは、照明、カメラの選定、キャリブレーション、誤検出と見逃しの調整といった、画像を「使える状態」にする技術を持っています。ロボットの会社ではモデルの学習に目が行きがちで、この部分を詰められる人が足りていません。
この記事では、画像検査や画像処理からフィジカルAIへ移るときに、活きる経験、足りない経験、学ぶ順番、職務経歴書の書き換え方を説明します。
画像検査とロボットの認識の違い
同じ画像処理でも、求められることがかなり違います。違いを押さえておくと、面接での受け答えが具体的になります。
| 外観検査 | ロボットの認識 | |
|---|---|---|
| 何を出すか | 良品か不良品かの判定、欠陥の位置 | 物の位置と向き(6自由度の姿勢)、つかむ位置、次の動作 |
| 次元 | 2次元の画像が中心 | 深さを測れるカメラや点群(3次元の点の集まり)が多い |
| 失敗の重さ | 見逃しは流出につながるので、ほぼ許されない | つかみ損ねたらやり直せることが多い。成功率とかかった時間で評価する |
| 撮影の条件 | 照明と位置を固定し、条件をそろえて撮る | ロボットの手首のカメラなど、視点が動き、照明もそろわない |
| 処理時間 | タクトタイムの中で一定時間に終える | カメラの撮影から動作までの遅れが、動きの質に直結する |
特に「失敗の重さ」の違いは大きく、検査の感覚のまま見逃しゼロを目指すと、ロボットの側では処理が遅くなりすぎることがあります。反対に、検査で鍛えた「どの条件で失敗するかを洗い出す」力は、ロボットの成功率を上げるときにそのまま使えます。
そのまま活きる経験
- 照明と光学の設計:金属の反射、透明な物、黒い物は、深さを測るカメラでも苦手です。照明やカメラの向きで解決した経験は、学習データを増やすよりも早く効くことがあります。
- カメラのキャリブレーション:内部パラメータ(レンズのゆがみなど)の補正の経験は、ハンドアイキャリブレーション(カメラとロボットの位置関係を求める作業)の土台になります。
- 限度見本と判定基準の合意:お客様と「どこまでを良品とするか」を決めてきた経験は、ロボットの「どこまでつかめれば成功か」を決めるときに役立ちます。
- 量産ラインでの運用:照明の劣化、レンズの汚れ、カメラの交換後の再調整など、長く運用したときに起きる問題を知っていること。
足りない経験と、埋め方
1. 3次元の幾何と座標変換
ロボットの認識では、画像の中の位置ではなく、ロボットから見た3次元の位置が必要です。カメラの座標系、ロボットの土台の座標系、手先の座標系の変換を自由に扱えることが前提になります(面接では座標変換がよく聞かれます)。点群の処理には Open3D や PCL がよく使われます。
2. 分類以外の深層学習
外観検査の深層学習は分類や異常検知が中心です。ロボットでは、セグメンテーション(画素ごとに物を切り分ける)、物の姿勢の推定、つかむ位置の推定が主役になります。最近は、汎用のセグメンテーションモデルや、画像と言葉を一緒に扱えるモデルを使って、学習データの少ない物にも対応する作り方が増えています。
3. 認識を動作につなぐ流れ
模倣学習や VLA(視覚・言語・動作を扱うモデル)では、カメラ画像がそのままモデルに入り、動作が出てきます。このとき、カメラの位置や露出が学習時と変わると、成功率が大きく落ちます。複数のカメラと関節の角度の時刻をそろえることも重要です(センサーフュージョンの考え方が役立ちます)。画像の品質を管理できる人は、学習のチームにとって心強い存在です。
学ぶ順番
- PyTorch でセグメンテーションを動かす(2〜3週間)。公開データで学習し、自分で撮った画像で精度がどう落ちるかを確かめます。
- 深さを測れるカメラで点群を扱う(2〜3週間)。Open3D で点群から平面を取り除き、物の位置を求めます。
- ハンドアイキャリブレーションを試す(2週間)。シミュレーション(Gazebo や Isaac Sim)の中のアームとカメラで、カメラとロボットの位置関係を求めます。
- ROS 2 で画像を流す(1〜2週間)。カメラの画像と camera_info(カメラの内部パラメータ)をトピックで受け取り、認識の結果を tf2 の座標に載せます。
メーカーとスタートアップの働き方の違い
| メーカーの画像検査 | フィジカルAIのスタートアップ | |
|---|---|---|
| 開発の速さ | 検査装置ごとに条件を詰め、立ち上げ後は変えない | 認識の方式やモデルを毎月のように入れ替える |
| 実機の台数 | 検査装置とラインが手元にある | ロボットとカメラの組み合わせは数台分。画像を集める時間の取り合いになる |
| 品質保証 | 見逃し率、過検出率を決めて保証する | 成功率を測って改善する。保証の考え方はお客様ごとに一から作ることが多い |
| データ | 不良品の画像が集まりにくい | 画像は大量に集まるが、何を集めるかの設計が必要 |
| 報酬 | 賞与と手当を含めて安定している | 基本給の水準は会社によって差が大きい。ストックオプションが付くことがある |
報酬はメーカーの賞与や退職金も含めた総額で比べ、ストックオプションは上場や買収がなければ価値が出ないこともあると考えておくのが安全です。
メーカーでの経験のどこが評価されるか
- 量産:同じ検査装置を複数のラインに入れ、どの装置でも同じ精度を出した経験。ロボットを何十台も出荷するとき、カメラの個体差をどう吸収するかに直結します。
- 現場での立ち上げ:お客様の工場の照明や振動の中で、条件を合わせ込んだ経験。
- 安全と規格:検査の結果が品質保証の記録になる工程で、変更管理や記録の残し方を経験していること。食品や医療など、記録が厳しい業界へのロボットの導入で重宝されます。
職務経歴書の書き換え例
職務要約
書き換える前 電子部品メーカーで画像検査装置の開発を担当。OpenCV を用いた画像処理アルゴリズムの開発に従事。
書き換えた後 電子部品メーカーで7年間、外観検査装置の画像処理と照明の設計を担当してきました。ルールベースの検査に深層学習の異常検知を組み合わせ、見逃しをゼロに保ったまま過検出を40%減らしました。2025年からは深さを測れるカメラとシミュレーション上のアームでハンドアイキャリブレーションと物の姿勢の推定を学んでいます。画像の品質と認識の両方から、ロボットの成功率を上げる仕事に携わりたいと考えています。
プロジェクトの書き方
- 「画像処理の担当」→「金属部品の反射による誤検出を、同軸照明への変更と偏光フィルタで解消した」
- 「深層学習の導入」→「不良品の画像が少ない中、良品だけで学習する異常検知を導入し、検査の対象品種を3から12に広げた」
まとめ
- フィジカルAIでは、画像がうまく取れていることが出発点。照明、キャリブレーション、運用の経験はそのまま評価される
- 足りないのは「3次元の幾何と座標変換」「分類以外の深層学習」「認識を動作につなぐ流れ」の3つ
- 書類では、画像の品質を上げた工夫を数字つきで書き、3次元の認識の学習を足す
画像の経験がどこで活きるかは、その会社がどんな作業をロボットにさせているかで変わります。職務経歴書を見ながら、合う会社を一緒に整理します。
