「AI外観検査のPoCを実施したが、思うような精度が出なかった」「画像がうまく撮れず、不良を見逃してしまう」――こうした課題に直面している製造業の担当者は少なくありません。
多くの場合、その原因はAIモデルの性能不足ではありません。AI外観検査の精度を決定づける最大の要因は、AIに入力される“画像の質”にあります。そして、その画像の質を根本から左右するのが「光学設計」です。
ここで言う「光学設計」とは、カメラ、レンズ、照明の種類・配置・角度を最適化し、検査に適した画像を取得するための設計工程です。AI外観検査において、AIモデルよりも前段階にある最重要工程であり、ここでの設計ミスは後工程でいくら頑張っても取り返すことができません。
本記事では、AI外観検査においてなぜ光学設計がこれほど重要なのか、そして高品質な画像を取得するための実践的な考え方を、現場視点で解説します。PoCで精度に悩んでいる方、これからAI外観検査を本格導入したい方にとって、失敗を回避するための重要なヒントとなる内容です。
AI外観検査の全体的な導入プロセスについて知りたい方は、AI外観検査の導入ロードマップもご参照ください。
「AI外観検査は難しい」の真実：問題はAIではなく画像にある
AI外観検査プロジェクトが期待通りの成果を出せない主な理由は、AIアルゴリズムの性能不足ではありません。根本的な課題は、AIが学習・推論に使う画像データの質にあります。例えば、以下のような画像が使われているケースは少なくありません。
- 影が大きく入り込んでいる
- 表面の反射が強く、模様と不良の区別がつかない
- 背景と検査対象のコントラストが弱い
- 不良箇所が画素レベルで十分に表現されていない
影が強い
反射が強く文字が読み取れない
このような画像では、どれほど高度なAIモデルを使っても、正しく不良を学習・検出することは困難です。AIは人間のように「これは傷だ」「これは光の反射だ」と常識的に判断できるわけではなく、与えられた画素情報だけを頼りに特徴を学習するからです。
よくある失敗パターン：なぜ光学設計が軽視されがちなのか？
AI外観検査のPoCで精度が出ない現場では、次のような失敗パターンが多く見られます。
失敗パターン①：「とりあえず既存カメラで試してみよう」
既存の監視カメラや汎用のWebカメラで撮影し、AIでカバーしようとするケース。結果、解像度不足で不良が数ピクセルしか映らず、AIが学習できない状態に。
失敗パターン②：「AIなら画質が悪くても補正できるはず」
影や反射だらけの画像でも「ディープラーニングなら何とかなる」と期待してしまうケース。結果、AIは影を不良として誤って学習し、正常品を不良と判定する誤検知が多発。
失敗パターン③：「照明はコストカットの対象」
照明設計を後回しにし、安価な汎用照明で済ませようとするケース。結果、コントラスト不足でPoCが失敗し、結局カメラ・照明をすべて入れ替えることに。
これらに共通するのは、「画像取得段階での失敗は、後工程のAIチューニングで取り返せない」という原則の理解不足です。AIは魔法の箱ではなく、良質な画像データがあって初めて性能を発揮する技術なのです。
つまり、AI外観検査の精度問題は、多くの場合「AIの問題」ではなく「画像の問題」であり、その画像を決定づける光学設計こそが成功の分かれ道になります。
AIにとっての「検査に適した画像」とは何か？
検査AIが求める画像の絶対条件
AI外観検査において理想的な画像は、次の2つの条件を満たしています。
① ノイズが少なく、コントラストが明確であること
影や反射などのノイズが極力排除され、全体の明るさが均一で、検査対象と背景の濃淡差がはっきりしていることが重要です。
ノイズが多い画像では、AIは不良とノイズを区別できず、誤学習を引き起こす可能性があります。
② 不良情報のみが強調されていること
検出したい傷・欠け・汚れなどの不良特徴だけが浮き上がり、製品本来の模様やテクスチャといった不要な情報が目立たない状態が理想です。AIにとっては、情報量が多い画像よりも、必要な情報だけが整理された画像の方がはるかに学習しやすくなります。
凹凸による影が目立つ
不良（異物）がはっきりと見える
※画像はイメージです。実際の製品とは異なる場合があります。
二値化で不良が検出できるレベルが目標
一つの目安として、「従来の画像処理（二値化）で不良が検出できるレベルの画像」が、AIにとっても理想的です。
二値化とは、画像を白黒の2値に変換し、対象物と背景を明確に分離する処理です。この処理で不良部分が浮き上がる画像であれば、AIにとっても非常に学習しやすい高品質な画像と言えます。
影あり
均一
二値化
※画像はイメージです。実際の製品とは異なる場合があります。
AI外観検査の精度はなぜ「光学設計」で決まるのか？
AIは「生まれたての赤ちゃん」：教師データの質が全て
AIは人間のように経験や常識を持っていません。まさに「生まれたての赤ちゃん」のように、与えられた画像情報だけを元に、不良の特徴を一から学習していきます。
もし教師データに影や反射が多く含まれていれば、AIはそれらを不良の特徴として誤って学習してしまう可能性があります。例えば、傷を検出したいにもかかわらず、影が強く落ちている画像を大量に学習させると、AIは「傷」ではなく「影」を不良の特徴として認識してしまうことがあります。
AIの学習精度は教師データの質に完全に依存します。その教師データの質を決めるのが、まさに光学設計なのです。
画像収集コストと期間を大幅に左右する
光学設計によって高品質な画像を取得できれば、AI学習に必要な画像枚数を大幅に削減でき、プロジェクト全体のコストと期間を圧縮できます。
不良特徴が明確に捉えられた画像であれば、AIは少ないデータ量でも効率的に学習します。一方、ノイズが多く不良が分かりにくい画像では、AIが正しく学習するまでに膨大な枚数のデータとアノテーション工数が必要になります。
つまり、光学設計への初期投資は、後工程の手戻り削減と全体コスト低減につながる最も費用対効果の高い施策なのです。
高精度AIを実現する「光学設計」の重要要素
要素1：光の種類と当て方（照明）
照明は、光学設計の中でも最も重要な要素の一つです。照明の種類や当て方によって、取得できる画像の質は劇的に変化します。
光の種類の選定
可視光、赤外光、紫外光など、検査対象の材質や検出したい不良の種類に応じて適切な波長を選定します。可視光は一般的ですが、赤外光は材質差や温度差の検出に有効であり、紫外光は特定の汚れや材質を蛍光発光させることで、通常では見えにくい不良を可視化できます。
加えて、照明の形状（リング照明、ドーム照明、バックライトなど）や照射方法（直進的な光か、拡散する光か）の選択も重要です。例えば、光沢のある金属面にはドーム照明で反射を抑え、微細な傷検出には斜めからの照明でコントラストを強調するなど、ワークの特性に応じた使い分けが求められます。
照明の工夫
実際の撮影画像
照明の工夫により精度向上を実現した事例はこちら▶︎
錠剤シート検査を45%高速化・省人化！従業員が幸せになる「楽しい会社」づくり
光の当て方の最適化
直進性の高い光は表面の微細な凹凸を強調するのに適しており、拡散光は表面全体を均一に照らし、影や反射を抑えたい場合に効果的です。照明の位置や角度をわずかに変えるだけで、画像品質が大きく改善するケースも珍しくありません。
実際の導入プロジェクトでは、照明の位置を調整するだけで劇的な改善が見られることがあります。ある金属部品の検査では、照明の角度を変更し、拡散フィルターを追加することで反射を抑え、傷だけが明確に浮き上がる画像を取得できるようになりました。
要素2：カメラ・レンズの選定と位置・角度
分解能から逆算した機器選定
検出したい不良の最小サイズ（例えば0.1mmの傷など）から逆算し、必要なカメラの画素数とレンズ倍率を決定します。例えば、視野200mm×200mmの範囲で0.1mmの傷を2ピクセル以上で捉えるには、約4,000ピクセル（4K相当）以上のカメラが必要になる、といった具合です。
不良が十分な画素数で表現されていなければ、AIはその存在を認識できません。一般的には、検出したい不良が少なくとも数ピクセル以上で表現されるようにカメラとレンズを選定します。
位置・角度の最適化
カメラや照明を斜めに設置することで、表面の凹凸や傷のコントラストを強調できます。例えば、シールの表面に蛍光灯を映り込ませると、角度を変えるだけで映り込みの歪みが現れ、表面状態が視覚的に分かりやすくなるのと同様の原理です。
カメラ垂直
カメラ斜め
※画像はイメージです。実際の製品とは異なる場合があります。
現場制約の考慮
生産ラインの速度、設置可能なスペース、振動、温度、粉塵などの環境条件を踏まえ、実運用可能な設計とすることが不可欠です。理論上理想的な構成であっても、現場で運用できなければ意味がありません。
光学設計で失敗を防ぐためのアプローチ〜フツパーが実践する設計プロセス
AI構築「前」に成功確率を高める設計フロー
フツパーでは、AI構築に入る前の段階で、プロジェクト成功の土台を固めることを重視しています。具体的には、以下のアプローチでプロジェクト成功の確度を高めています。
① ワーク特性と現場制約の徹底把握
表面状態、材質、反射率、研磨方向（ヘアライン）などのワーク特性に加え、コンベアの色・速度、設置スペース、周囲光環境など、現場条件を詳細に確認します。理論的に優れた光学設計であっても、現場の実情に合わなければ導入できません。
② 「限界不良」を基準にした設計
特に重視しているのが、お客様との「限界不良」の共有です。限界不良とは、「これ以上小さい傷は見逃しても良い」といった、良品と不良品の境界となる基準です。この基準を実物サンプルで共有し、それを確実に検出できる解像度・照明条件・配置を逆算して設計します。
この「限界不良」が明確でないと、過剰なスペックで不要なコストがかかったり、逆に検出能力が不足したりするリスクがあります。お客様と実物を見ながら基準を合わせることが、成功への第一歩です。
自社ラボでの実機検証による確実性の担保
カメラ、照明、コンベアを備えた自社ラボ環境を保有し、設計した光学系の妥当性を実機で検証しています。お客様から提供いただいた良品・不良品サンプルを用い、以下の点を実際の画像で確認します。
- 不良が明確に捉えられているか
- 影や反射などのノイズが問題になっていないか
- 実際の搬送速度でブレなく撮影できるか
多くのAI外観検査プロジェクトが失敗する原因の一つは、光学設計の不備による後工程での手戻りです。AI構築前に光学設計を実機で検証することで、こうしたリスクを未然に防ぎます。
実際に、この実機検証プロセスを経た案件では、AI構築後の手戻りがほとんど発生しておらず、光学設計段階での検証がプロジェクト成功の確実性を大きく高めることが実証されています。
AIの力を最大限に引き出すのは「モデル」ではなく「光学設計」
AI外観検査の精度を決めるのは、AIアルゴリズムの高度さではなく、AIに与える画像データの質です。そして、その画像の質を決定づけるのが光学設計です。
どれほど優れたAIを導入しても、影や反射が多く、不良の特徴が不明瞭な画像では、高精度な検査を実現することはできません。逆に、光学設計によって「検査に適した画像」を取得できれば、AIは少ない学習データでも効率的に学習し、安定した高精度を発揮します。
高精度なAI外観検査は、優れた光学設計があって初めて実現するものです。AIはソフトウェア単体ではなく、ハードと合わせて設計されるべき存在なのです。
次のステップへ
AI外観検査の精度にお悩みの場合、その原因は光学設計にある可能性が高いです。AIモデルの再学習やチューニングに時間をかける前に、一度「画像の取り方」から見直してみませんか？
フツパーでは、光学設計の段階から現場に寄り添い、確実に成果につながるAI外観検査の実現をサポートしています。
