ナレッジセンター
目次

産業用カメラの解像度がAI検査に与える影響

産業用カメラの解像度は高ければよいというものではない。AI検査がどのくらい小さな不良まで見えるかを決め、システムが十分な速度で動作しラインが追いつけるかどうかも決める。AI外観検査の導入において、解像度の選定は最も過小評価されやすく、最も費用を無駄にしやすい工程である。

1. 中核となる概念と技術的な定義

産業用カメラの解像度とは、センサー上の有効な受光画素数のことで、通常は"水平画素数×垂直画素数"と表記する。たとえば500万画素は2448×2048に相当する。これと混同されやすい別の概念、すなわち検査精度とは同じではない。解像度はハードウェアのパラメータであり、検査精度は"1画素がどれだけの実寸を表すか"であり、mm/画素で測る。AIが不良を検出できるかどうかを実際に決めるのは精度であり、総画素数ではない。

簡単な換算を示す。視野の幅が100mmで500万画素カメラ(水平約2448画素)を使う場合、1画素あたりの精度はおよそ0.04mmである。2000万画素カメラ(水平約5472画素)に変えると、1画素あたりの精度は約0.018mmに達する。不良が画像上で1から2画素しか占めない場合、AIモデルは安定した特徴量を学習しにくく、検出率は目に見えて変動する。

2. 技術原理と主要な能力

解像度は三つの経路でAI検査に影響する。

第一は特徴量の識別性である。AI検査モデルは、分類、物体検出、セグメンテーションのいずれであっても、本質的には画素レベルでテクスチャ、エッジ、濃淡差を抽出する。傷、汚れ、微小な欠肉といった不良が、撮像後に1から2画素しか占めないと、畳み込みカーネルが得られる情報は不十分で、学習時に損失関数が高い精度へ収束しにくい。業界の経験則では、不良の短辺が少なくとも3から5画素を覆うことで安定した認識の根拠が得られる。

第二は視野と解像度のバランスである。解像度を上げるということは、視野を狭くするか精度を上げるかのどちらかであり、両立はできない。自動車部品企業が直径80mmのフランジ面を検査し、最小不良が0.05mmだと仮定する。5画素のカバレッジを確保するなら1画素あたりの精度は0.01mmでなければならず、水平8000画素以上、すなわち1000万画素クラスのカメラが必要になる。500万画素カメラでフランジ面全体を無理に撮影すると精度が不足し、AIでは補えない。

第三は計算資源とタクトへの連鎖的な影響である。2000万画素のカラー画像は、1フレームのデータ量が500万画素の4倍になる。AI推論時間、画像伝送帯域、光源の安定性への要求もそれに応じて高まる。ラインタクトが1個あたり300ミリ秒の場合、高解像度カメラと大規模モデルの推論はライン全体の効率を容易に押し下げる。その場合は通常、"分割撮像とマルチカメラのスティッチング"と"解像度を下げて光学倍率を最適化する"の間でトレードオフを行うことになる。

3. 製造業における典型的な適用場面

電子部品工場でコネクタ端子の外観を検査する。不良には端子の変形、めっきの傷、付着異物がある。端子の幅はわずか0.3mm、傷の幅は約0.02mmである。従来の500万画素カメラでトレイ全体を撮影すると、1画素あたりの精度は0.1mmとなり、傷は1画素未満しか占めず、学習時にAIモデルは正常サンプルからほとんど何も学べない。1200万画素にテレセントリックレンズを組み合わせれば、1画素あたりの精度は0.02mmとなり、傷は2から3画素を覆うため、セグメンテーションネットワークと併用して検出の安定性が向上する。

自動車部品企業がアルミニウム合金ダイカストの表面巣穴を検査する場合を想定する。気孔の直径は0.1から0.3mm、視野は200mmである。不良を最低4画素でカバーするなら、1画素あたりの精度は0.025mm、水平8000画素、すなわち1000万画素クラスが必要になる。こうした場面では通常、全体を高解像度で狙うのではなく、500万画素カメラを複数台使って分割撮像する。精度を確保しつつ1フレームのデータ量を抑えられ、AI推論の負荷をストリームに分散できるためタクトを制御しやすい。

さらに、リチウム電池の電極塗工工場で、電極表面の傷や黒点を検査する場合を考える。ウェブは幅が広く、走行速度も速い。超高解像度のラインスキャンカメラで全幅をカバーするのは、コストとデータ量の面で現実的でない。実務的な方法は、水平解像度が最小不良のカバレッジを満たすラインスキャンカメラを使い、ラインレートを走行速度に合わせ、AIモデルがラインスキャン画像を帯状に推論する構成である。ここでの解像度選定の核心は総画素数ではなく、水平精度とラインレートの整合にある。

4. 選定の優先順位と導入の指針

まず精度を計算し、その後に解像度を決める。最小不良サイズを必要な画素カバレッジで割って1画素あたりの精度を求め、視野をその精度で割って水平画素数を導く。この手順を正しく踏めば、後の遠回りを大きく減らせる。

光学を無視してはならない。解像度がどれほど高くても、レンズの分解能が追いつかず照明が不均一であれば、画像はぼやけたままである。テレセントリックレンズ、適切な作動距離、安定したストロボ照明は、画素を積み増すよりも費用対効果が高いことが多い。

計算資源は並行して評価する。高解像度は大きな画像を意味し、AI推論時間、メモリ使用量、伝送帯域はいずれも事前にベンチマークする必要がある。タクトが厳しい場合は、1台のカメラにすべてを負わせるのではなく、複数カメラの分割撮像を優先する。

余裕は残すが、過剰にはしない。計算した精度に対して20%から30%の余裕は妥当である。それ以上大きく取ることは、決して使わない画素のために計算資源とコストを払うことになる。ERP時代から数十年の実績を持ち、120万社の顧客にサービスし、累計数千万台の端末を導入してきたソリューションベンダーは、通常、選定時に仕様表を読むだけでなく実際のサンプルで撮像検証を行う。

5. 動向とまとめ

一つの方向は"解像度とAIの協調最適化"である。ますます多くのソリューションが全体として超高画素を狙うのではなく、ROI切り出し、多焦点融合、超解像再構成を用いて、有効な画素を必要な場所に配分している。

もう一つの方向はスマートカメラとエッジ計算への移行である。カメラ側で前処理と軽量推論を行い、高解像度画像を特徴量に圧縮して源流で処理することで、後段の負荷を軽減する。これは高タクトのラインにとって大きな意味を持つ。

解像度はAI検査の基礎だが、高ければよいわけではない。精度要件を計算し、光学と計算資源を整合させ、場面に応じてトレードオフすることが、産業用カメラを正しく選ぶ方法である。

分野: AI画像認識百科