ディープラーニングと画像処理による外観検査とは？AI検査と古典的画像処理の使い分けを解説
- 1 日前
- 読了時間: 6分
製造業の外観検査では、これまで人の目による目視検査や、ルールベースの画像処理が多く使われてきました。しかし近年は、ディープラーニングを活用したAI外観検査も普及しつつあります。特に、傷、打痕、欠け、汚れ、色ムラ、バリ、異物混入など、人が見ても判断に迷うような欠陥に対して、AI画像認識を活用するケースが増えています。
一方で、「AIを使えばすべての外観検査が解決する」というわけではありません。寸法測定、位置決め、輪郭抽出、面積計測、濃淡差の検出など、判定条件を数値化しやすい検査では、古典的な画像処理や高速画像処理の方が適している場合もあります。
外観検査における画像処理の基本
画像検査とは、カメラで撮影した画像に対して画像処理を行い、必要な情報を抽出してOK／NGを判定する手法です。画像検査装置は一般に、カメラ、レンズ、照明、画像処理ソフト、制御機器、搬送機構などで構成されます。特に重要なのが撮像環境です。検査対象を正しく撮影できていなければ、どれだけ高度なAIや画像処理アルゴリズムを使っても安定した判定は困難です。
たとえば、金属部品の微細な傷を検出する場合、照明の角度や波長によって傷の見え方は大きく変わります。透明・光沢・黒色・曲面などのワークでは、反射や影の影響も無視できません。そのため、外観検査システムを構築する際は、AIモデルの選定より先に、「欠陥が画像上で見える状態を作る」ことが重要です。
古典的な画像処理が向いている検査
古典的画像処理、いわゆるルールベース画像処理は、人が判定条件を設計し、その条件に基づいて検査する方式です。代表的には、二値化、エッジ検出、輪郭抽出、パターンマッチング、濃淡解析、幾何計測、差分検出などがあります。
この方式が向いているのは、良否判定の基準を明確に定義できる検査です。たとえば、部品の有無、穴位置、寸法、ラベル位置、印字位置、組付け方向、ワークの傾き、一定以上の面積を持つ異物などは、ルール化しやすい対象です。Cognexは、ルールベースのマシンビジョンを自動検査の基盤として位置付けており、製造現場の品質保証に使われる技術として説明しています。
ルールベース画像処理の利点は、処理が高速で、判定ロジックを説明しやすいことです。どの閾値でNGになったのか、どの領域を測定したのかを追跡しやすく、製造現場での原因分析や品質保証との相性がよいのも特徴です。また、GPUを使わずCPUやFPGAで高速処理できる場合もあり、タクトタイムが厳しいラインでは有力な選択肢になります。
ただし、表面状態のばらつきが大きいワークや、欠陥の形状が毎回異なる対象では、ルール設計が複雑になりやすいという課題があります。照明条件やロット差によって見え方が変わると、閾値調整の手間が増え、誤検出や見逃しが発生しやすくなります。
ディープラーニングによるAI外観検査が向いている検査
ディープラーニングを用いた外観検査では、良品・不良品の画像データから特徴を学習し、AIモデルが欠陥や異常を検出します。従来の画像処理では人が特徴量や判定条件を設計する必要がありましたが、ディープラーニングでは画像内の特徴をモデルが学習するため、判断基準を明文化しにくい検査に向いています。
AI外観検査が特に有効なのは、傷、汚れ、色ムラ、焼き色、表面の荒れ、微妙な欠け、溶接部の外観、鋳造・樹脂成形品のばらつきなどです。これらは「何mm以上ならNG」と単純に定義できない場合が多く、人の経験に依存しやすい領域です。ディープラーニングは、このような曖昧な判断を画像データから学習できる点に強みがあります。
一方で、AI外観検査には学習データの設計が不可欠です。不良画像が少ない場合、良品のみを学習して異常を検出する異常検知型のアプローチや、データ拡張、少量データでの検証などを検討する必要があります。
また、AIは万能ではなく、学習していない条件や撮像環境の変化に弱い場合があります。そのため、導入時にはPoCを行い、現場画像で検出率・過検出率・処理速度を検証することが重要です。
実務では「AIか画像処理か」ではなく組み合わせが重要
外観検査の現場では、ディープラーニングと古典的画像処理のどちらか一方だけでなく、両者を組み合わせる構成が有効です。たとえば、まずルールベース画像処理でワークの位置補正、傾き補正、検査領域の切り出し、明るさ補正を行い、その後にAIで欠陥判定を行う流れです。
また、AIで欠陥候補を抽出した後、その面積、長さ、位置、個数などをルールベース画像処理で計測する方法もあります。これにより、AIの柔軟な認識能力と、古典的画像処理の高速性・説明性を両立できます。
たとえば、金属部品の表面検査では、AIが傷らしき領域を抽出し、その後に画像処理で傷の長さや面積を測定し、品質基準に照らしてOK／NGを判定する構成が考えられます。食品や樹脂成形品では、AIで色ムラや欠けを検出し、画像処理で面積や位置を数値化することで、検査結果を品質管理データとして蓄積できます。
外観検査システム導入時のポイント
外観検査システムを導入する際は、最初からAIモデルの精度だけを見るのではなく、次の観点を整理することが重要です。
第一に、検査対象と欠陥の定義です。何を検出したいのか、どの程度の欠陥をNGにするのか、見逃しと過検出のどちらをより避けたいのかを明確にします。
第二に、撮像条件です。カメラ、レンズ、照明、ワーク姿勢、搬送速度、外乱光の影響を確認します。画像上で欠陥が安定して見えていなければ、AIでもルールベースでも安定した検査はできません。
第三に、処理速度です。生産ラインでは、1個あたり何ms以内で判定する必要があるか、画像解像度はどの程度必要か、エッジPC・GPU・FPGA・クラウドのどこで処理するかを検討します。特に高速ラインでは、古典的画像処理やエッジ処理の設計が重要になります。
第四に、運用です。品種追加、照明条件の変化、季節変動、ロット差、不良サンプルの追加学習、検査ログの保存など、導入後の運用まで設計しておく必要があります。
まとめ：外観検査はAIと画像処理の適材適所が重要
ディープラーニングによるAI外観検査は、従来の画像処理ではルール化しにくかった傷、汚れ、色ムラ、欠け、表面ばらつきなどの検査に有効です。一方で、寸法測定、位置決め、輪郭抽出、面積計測、単純な有無判定などでは、古典的な高速画像処理の方が高速で説明しやすく、安定する場合があります。
重要なのは、「AIを使うか、画像処理を使うか」という二択ではありません。実際の外観検査では、撮像設計、前処理、位置補正、AI判定、後処理、数値計測、制御連携を組み合わせて、現場に合ったシステムを構築することが求められます。
株式会社アルジェントテクノロジーでは、画像認識・高速画像処理・三次元計測の知見を活かし、製造現場の外観検査自動化を支援しています。AI外観検査のPoC、既存検査装置への画像処理追加、高速ライン向けのエッジ処理、カメラ・照明を含めた検査システム設計など、現場条件に合わせたご提案が可能です。外観検査の自動化やAI活用をご検討中の企業様は、ぜひ一度ご相談ください。
