ナレッジセンター
目次

AI外観検査におけるマルチスペクトルイメージング

マルチスペクトルイメージングは、AI外観検査が従来のRGBカメラの限界を突破するための主要な手段になりつつあり、検査の次元を可視光の3チャネルから十数、あるいは数百の波長帯へ広げ、これまで見えなかった多くの欠陥を定量化・判定可能にする。この二年ほどで、民生エレクトロニクス、リチウム電池、自動車部品の各産業における微小欠陥、材料の判別、異物検出への要求はますます厳しくなり、マルチスペクトル撮像とAIアルゴリズムの組み合わせは実験室からラインへ移り、スマートマニファクチャリングで繰り返し言及される技術の方向となった。

1. 中核概念と技術的な定義

マルチスペクトル撮像とは、可視光を超えた複数の狭い波長帯の画像情報を同時に取得する撮像方式を指す。一般的な産業用カメラは通常、赤、緑、青の三つのチャネルしか持たないが、マルチスペクトルカメラはおおむね400から1000ナノメートルの波長帯域をカバーし、フィルタホイール、マルチスペクトルセンサ、またはスナップショット式のマルチスペクトルアレイを用いて、1回の撮影で複数波長帯のスペクトル画像キューブを取得する。ハイパースペクトル撮像との違いは波長帯の数にある。マルチスペクトルは通常、数個から数十個の波長帯で、データ量は中程度、取得も速く、オンラインのライン検査に適する。ハイパースペクトルはしばしば数百の波長帯を持ち、情報は豊かだが処理コストが高く、主にオフラインの分析や研究に用いられる。

AI外観検査の文脈では、マルチスペクトル撮像は単独で用いられるのではなく、ディープラーニングの欠陥検出アルゴリズムと組み合わせて、スペクトル差を判定可能な検査の結論へ変換する必要がある。

2. 技術原理と主要な能力

原理は複雑ではない。材料が異なれば波長に対する反射と吸収の特性も異なるが、RGB画像ではこの差がしばしば似た色値へ圧縮され、人の目にも一般的なカメラにも区別できない。マルチスペクトル撮像はこの差を保持する。例えばコーティングは可視光では基材の色に近いが、近赤外の波長帯では反射率が明確に異なり、比較によってコーティングの欠陥を分離できる。

主要な能力は三つの水準に現れる。第一は材料の判別で、見た目は似ているが組成が異なる材料を見分ける。プラスチック部品に混入した異物粒子や、リチウム電池セパレータ上の金属粉などだ。第二は浅い欠陥の強調で、微小な割れ、傷、油汚れのコントラストが特定の波長帯で増幅され、検出アルゴリズムが安定してセグメンテーションしやすくなる。第三は外乱への耐性で、マルチスペクトルのデータは照明の変化や表面反射への感度が低く、ライン上での光源変動が検査結果へ与える影響はRGBの方案よりはるかに小さい。

注意すべきは、マルチスペクトル撮像が万能のフィルタではないという点で、波長帯の選択は具体的な検査対象に合わせなければならない。誤った波長帯を選べば、良い照明を備えた普通のカメラより結果が悪くなることさえある。

3. 製造業における典型的な適用シーン

例えば電子工場がコネクタの外観を検査する場合、金属端子の極めて微細な酸化斑はRGBカメラでは正常部とほとんど同じに見え、誤判定率が高いままになる。マルチスペクトルの方案へ切り替え、酸化層の特定の近赤外帯における吸収特性をAIのセグメンテーションモデルと組み合わせると、酸化斑の検出安定性は目に見えて向上し、誤判定の主な原因は流出からレビュー可能な境界サンプルへ移る。

例えば自動車部品メーカーがエンジンシリンダーブロック表面の残油と洗浄剤の痕跡を検査する場合を想定する。油と金属表面のスペクトル反射率曲線は短波赤外域で明確に異なり、マルチスペクトルカメラが複数の波長帯を一度に取得し、AIモデルが油の領域を画素レベルで分類する。従来の濃淡しきい値法より適応性が高く、バッチや洗浄剤が変わってもパラメータを頻繁に調整する必要がない。

もう一つの典型的なシーンはリチウム電池の電極塗布検査である。面密度のむらやエッジの薄肉化といった問題は可視光ではコントラストが低いが、マルチスペクトルのデータは塗布厚に応じたスペクトル応答の変化を反映し、AIの回帰モデルと組み合わせることで塗布の均一性をオンラインで判定できるようになる。こうした用途は取得速度への要求が高く、通常はラインセンサ構成のスナップショット式マルチスペクトルカメラが必要になる。

4. 選定の要点と導入の助言

選定では、まず波長帯の構成が検査対象に合っているかを確認する。波長帯の数を盲目的に追ってはならず、十分で安定していることが多くて揃っていることより大切だ。第二に、取得速度がラインのタクトに追いつくかを確認する。スナップショットは動的な検査に適し、フィルタホイールは静的または低速のステーションに適する。第三に、データのインタフェースと演算のサポートを確認する。マルチスペクトル画像のデータ量はRGBの一桁上であり、伝送と推論を事前に評価しなければならない。

導入では二段階の方法を勧める。まずオフラインの撮像装置で欠陥サンプルの波長感度分析を行い、どの波長帯が本当に判別力を持つかを特定してから、オンラインの方案へ移る。AIモデルの訓練では、サンプルが異なるバッチと照明条件をカバーするようにして、1バッチへの過学習を避ける。ライン導入後も人手のレビュー経路を残す。マルチスペクトル検査の価値は難しいサンプルをレビュー可能な小さな範囲へ収束させることにあり、一足飛びの全自動排除を追うことではない。

5. 動向の見通しとまとめ

第一の方向はスナップショット式マルチスペクトルセンサの低コスト化で、これにより中低速の検査ステーションでもマルチスペクトルの方案が手の届くものになる。第二はマルチスペクトルと3D撮像の融合で、スペクトル情報と形態情報を同時に取得し、複雑な曲面部品への検査能力を強化する。第三はAIモデルが教師あり学習から少数サンプル学習へ進み、新しいラインへマルチスペクトルの方案を導入する際のサンプル収集の負担を減らすことだ。

AI外観検査におけるマルチスペクトル撮像の位置付けは明確である。既存のRGBの方案を置き換えるのではなく、材料の判別と浅い欠陥においてRGBの能力の空白を埋める。製造業者にとって、マルチスペクトルを採用するかを決める鍵は、その欠陥が材料の組成、コーティングの状態、表面の汚染に関わるかどうかであり、関わるのであればこの技術経路は真剣に評価する価値がある。スマートマニファクチャリングへの産業界の継続的な投資も、こうした方案を個別受注のプロジェクトから比較的標準化された検査ユニットへ押し進めている。

分野: AI画像認識百科