外観検査の自動化はどこまで可能か｜撮像設計と検出限界の決め方

外観検査の自動化は、モデルの選定より撮像条件の設計で結果がほぼ決まります。適切に撮れていない画像から欠陥を検出することはできないためです。

本記事では、事前に計算できる部分（解像度）と、実験で決める部分（照明）を分けて、設計の手順を解説します。

必要な解像度は計算できる

導入検討の最初に行うべきは、必要な解像度の計算です。

必要画素数 = 視野の幅 ÷ (検出したい欠陥サイズ ÷ 欠陥を捉える最低画素数)

具体例で示します。

この計算をせずにカメラを選定すると、そもそも欠陥が写っていない画像で学習することになり、モデルをいくら改善しても検出できません。

実務では余裕を見て、算出値の1.5〜2倍の画素数を確保します。また、視野を分割して複数回撮影する、あるいは複数台のカメラを配置するという選択肢も検討します。

照明は欠陥の種類ごとに変える

照明は実験で決める部分ですが、欠陥の種類ごとに向き不向きの傾向があります。

重要なのは、1種類の照明で全ての欠陥を狙うことはできないという点です。複数種類の欠陥を検出したい場合は、照明を切り替えて複数回撮影する構成が必要になります。この撮影回数がタクトタイム（1個あたりの処理時間）に直結するため、ライン速度との整合を初期に確認してください。

見逃しと過検出のどちらを優先するか

外観検査では、この2つはトレードオフの関係にあります。

判断基準は、それぞれのコストです。

• 見逃しのコスト：流出したときの回収費用、信頼の損失
• 過検出のコスト：再検査の工数、良品廃棄の損失

多くの現場では見逃しのコストが圧倒的に大きいため、厳しめに設定して過検出を人が確認する構成が選ばれます。この場合、過検出が1日何件になり、誰が確認するかを設計に含める必要があります。

3段階判定の構成

見逃しゼロを機械だけで実現するのは困難です。実用的なのは次の構成です。

この設計であれば、機械は「自信のある良品」だけを通過させればよく、迷う品は全て人に回せます。検査員の確認対象が減った分だけ効果が出て、見逃しリスクは従来と変わりません。

学習データが集まらない欠陥への対処

発生頻度の低い欠陥は、必要なサンプル数が集まりません。この場合は方式を変えます。

3行目の併用が実務的です。頻出する数種類は判別モデルで扱い、それ以外は逸脱検出で拾う構成にすると、稀な欠陥のサンプル収集を待たずに運用を開始できます。

品種切り替えの維持コスト

導入検討で見落とされやすいのが、製品が変わるたびの対応です。

年間の品種切り替え回数と、内訳（小変更か新規か）を導入前に確認し、維持工数を運用体制に含めて見積もる必要があります。ここを見落とすと、稼働後に対応が追いつかず、結局は人の検査に戻ることになります。

導入の順序

第1段階で欠陥の種類と頻度を整理することが要点です。全ての欠陥を対象にすると設計が収束しないため、頻度と流出リスクの高い上位から対象を決めます。

まとめ

外観検査の自動化は、必要解像度の計算と照明の実験という撮像設計が8割を占めます。そのうえで、見逃しと過検出のどちらを優先するかを決め、3段階判定で人と機械の役割を分けると実用的な構成になります。

学習データが集まらない稀な欠陥は逸脱検出で拾い、品種切り替えの維持工数を体制に含める。この2点を設計に入れておけば、稼働後に運用が破綻することを避けられます。

関連記事

• 製造業のAI活用とは？予知保全・外観検査・生産計画の使い分けと導入手順を解説
• 製造業の技能伝承をどう進めるか｜暗黙知をデータに落とす具体的な手順
• 予知保全と異常検知の違い｜故障事例の件数から導入可否を判断する方法

参考

• 独立行政法人情報処理推進機構（IPA）「DXの推進」https://www.ipa.go.jp/digital/dx/index.html
• 国立研究開発法人新エネルギー・産業技術総合開発機構（NEDO）https://www.nedo.go.jp/