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撮像

マルチスペクトル撮像は、従来のRGBカメラの限界を突破するAI外観検査の重要技術になりつつあり、人の目に見えない分光情報を捉えることで、機械がより多くの次元で材料の特徴を見られるようにする。インテリジェント製造とAI外観認識の分野では、この技術は実験室から生産ラインへ移り、検査精度と適用範囲を高める重要な手段になっている。以下では、マルチスペクトル撮像を概念と原理から場面、選定、トレンドまで体系的に整理する。

1. 中核概念と技術定義

マルチスペクトル撮像とは、同一の瞬間または同一の場面で、2つ以上、通常3~15の異なるバンドの分光画像を取得することをいう。各バンドは狭い波長範囲に対応し、可視光の青、緑、赤に加えて近赤外や短波赤外を含む。赤、緑、青という3つの広帯域だけを記録する通常のカラーカメラと異なり、マルチスペクトル撮像は分光次元を画像キューブ、すなわち2つの空間次元と1つの分光次元からなるデータ構造に展開する。

AI外観検査の文脈では、マルチスペクトル撮像は単に別のカメラに替えることではなく、分光情報を入力特徴として深層学習モデルに与え、分類、セグメンテーション、回帰を行わせることである。従来のマシンビジョンはグレースケールやカラー画像に依存し、色は同じでも材質が違う場合、コントラストが低い場合、反射が干渉する場合に失敗しやすい。マルチスペクトル撮像はバンドを選ぶことで、対象と背景が特定のバンドで高いコントラストを示すようにし、見えない差異を計算可能な信号に変える。

関連するいくつかの概念を区別しておく。ハイパースペクトル撮像は通常数百のバンドを持ち分光分解能が極めて高いが、データ量が多く取得が遅いため、主に実験室やリモートセンシングで使われる。マルチスペクトル撮像はバンド数が少なく取得が速くコストも比較的制御しやすいため、インラインの産業検査に向く。RGBカメラは3つの広帯域しか持たないマルチスペクトル撮像の特殊な場合である。AI外観検査では、マルチスペクトルのソリューションはRGBカメラと併用されることが多く、RGBが日常的な外観を、マルチスペクトルが材質、組成、表面下の欠陥といった深い特徴を担う。

2. 技術原理と主要能力

マルチスペクトル撮像システムのハードウェアの中核は、光源、フィルタまたは分光素子、センサ、演算ユニットである。一般的な実装は、フィルタホイールの切り替え、異なるフィルタを付けた複数カメラ、スナップショットモザイクフィルタ、分光走査に基づくプッシュブルーム撮像である。産業の場面ではタクト要求が高く機械的な切り替えの遅延が許容できないため、スナップショット方式や複数カメラ方式が好まれる。

マルチスペクトル検査では光源が重要な役割を果たす。材料が異なれば、波長ごとの吸収、反射、透過の特性が大きく異なる。ある種のプラスチックは近赤外では透明だが可視光では不透明であり、ある種の油汚れは紫外で強く蛍光するが可視光では背景と区別しにくい。光源のバンドを能動的に選ぶことで対象の特徴を強調できる。一般的な光源にはハロゲンランプ、LEDアレイ、レーザ、紫外ランプがある。

AI側では、マルチスペクトル画像は通常まずバンド位置合わせと融合を行い、そのうえでCNNやTransformerモデルに入力する。バンドがRGBより多いためモデルの入力チャネルが増え、学習にはより多くのラベル付きデータや転移学習が必要になる。実際にはエンジニアがまずバンド選択を行い、冗長なバンドを除いて計算量を減らす。一般的な手法には主成分分析、バンド比法、アテンションに基づく特徴選択がある。

主要能力は4点にまとめられる。第一に材質の識別で、見た目は同じだが材質が異なる対象、たとえば黒いプラスチックと黒いゴムを区別できる。第二に表面下の欠陥検出で、近赤外バンドは特定の塗膜を透過して下層の割れや異物を明らかにする。第三に低コントラスト対象の強調で、特定のバンドでは欠陥と背景の濃淡差が増幅される。第四に複数特徴の同時取得で、1枚の画像から空間情報と分光情報の両方が得られ、高速インライン検査に向く。

イラスト

3. 製造業における典型的な応用場面

1. 電子製造業における外観・材質検査

電子工場がコネクタやフレキシブル基板を製造する場合を想定する。金接点を検査する従来のRGBカメラは反射の影響を受けやすく、金めっき厚の違いを判別できない。可視光と近赤外を組み合わせたマルチスペクトル撮像は、金属ごとの分光反射特性に基づいて金めっき、すずめっき、ニッケルめっきの領域を区別できる。近赤外バンドは一部の透明保護フィルムを透過し、下層の傷や異物も明らかにする。AIモデルはマルチスペクトル画像に対してピクセル単位のセグメンテーションを行い、欠陥位置とカテゴリを出力する。こうした場面はタクト要求が高く、通常はスナップショット式マルチスペクトルカメラと高速推論フレームワークが必要になる。

2. 自動車部品における塗膜と内部欠陥の検査

自動車部品会社がエンジンガスケットや塗装ボディ部品を製造する場合を想定する。ガスケット表面にはグラファイトやテフロンが塗布され、RGBカメラでは塗布の均一性を判断しにくい。マルチスペクトル撮像は短波赤外で塗膜厚の変動に敏感に反応し、厚み分布図を生成できる。塗装ボディパネルでは、近赤外バンドが塗膜下の素地欠陥、たとえば微小なへこみや繊維の混入を検出できる。AIモデルはマルチスペクトルとRGBのデータを組み合わせてマルチモーダル融合検査を行い、過剰検出と見逃しを減らす。インテリジェント製造システムでは、こうした検査ステーションは品質データの追跡のためにMESと連動することが多い。

3. 食品・医薬包装における異物とシールの検査

食品包装会社が、密封袋にプラスチック片や金属片が混入していないかを検出する必要がある場合を想定する。可視光では透明な袋と内部の異物のコントラストが低い。特定の近赤外バンドではプラスチック片と食品背景の分光差が増幅されるため、AIモデルは異物を素早く特定できる。医薬のブリスター包装では、マルチスペクトル撮像でシール層が完全か、錠剤に欠けがないかを確認できる。こうした用途は衛生と速度の要求が高く、通常は複数カメラのマルチスペクトル方式とエアブローや機械式排除装置を組み合わせる。

以上の場面で、ZEVONはAI外観認識とインテリジェント製造の分野で豊富な経験を蓄積しており、マルチスペクトル撮像を深層学習アルゴリズムやライン制御システムと統合して、製造企業の検査範囲と安定性の向上を支援できる。中核プラットフォームはマルチスペクトルデータの取り込みとモデル配備に対応し、すでに15以上の業界、120社以上のお客様のラインで稼働している。マルチスペクトル検査を必要とする複雑な場面では、光学ソリューションの設計からアルゴリズム調整まで一貫した支援を提供できる。

4. 選定の考慮点と導入の助言

まず検査対象とバンド要件を定義する。バンド数を盲目的に追ってはならない。まず分光分析を行い、対象と背景の差が最も大きくなるバンドの組み合わせを見つける。実験室で分光器を用いてサンプルの反射特性曲線を取得し、そのうえでフィルタや光源を選ぶ。バンドが増えればデータも増え、アルゴリズムは複雑になり、コストも上がる。

イラスト

第二に、ラインのタクトと撮像方式を評価する。高速ラインではスナップショット式マルチスペクトルカメラまたは同期した複数カメラ方式を優先すべきである。タクトが遅い場合はフィルタホイールの切り替えでも許容される。露光時間、伝送帯域、推論レイテンシをすべて計算し、全体のタクトが満たされることを確認しなければならない。

第三に、光源と光学設計を重視する。マルチスペクトル検査は光源の安定性に高い要求を課す。LED光源には波長の一貫性と輝度の安定性が必要である。レンズは色収差と光の透過効率を考慮し、必要に応じて専用コーティングを施す。近赤外や短波赤外では通常のガラスレンズが適さず、特殊材料が必要になることがある。

第四に、アルゴリズムとデータの戦略である。マルチスペクトル画像のラベリングはRGBよりコストが高い。まず教師なしまたは半教師ありの特徴抽出から始め、少量のラベル付きデータでファインチューニングする。バンドの位置合わせ誤差は検査精度に直接影響するため、前処理でサブピクセルの位置合わせが必要である。モデルを配備する際は量子化やプルーニングで計算需要を減らすことを検討する。

第五に、システム統合と検証である。マルチスペクトル撮像は単独の設備ではなく、ラインのPLCやMESなどと連動しなければならない。検査結果はリアルタイムにアップロードでき、異常アラームと工程パラメータの追跡が可能であるべきだ。導入は小バッチのオフライン検証から始め、次に実ラインで試運転し、バンドの組み合わせとモデルのしきい値を徐々に最適化する。

第六に、総保有コストに注意する。マルチスペクトルカメラ、専用光源、フィルタ、演算ユニット、アルゴリズム開発がいずれもコストに影響する。ハードウェアの見積だけを見るのではなく、誤判定率の低下による品質向上と、ライン速度向上による生産能力向上を計算に入れる。多品種少量の場面では、段取り替え時間を短縮するため再構成可能なマルチスペクトルソリューションを検討する。

5. トレンドとまとめ

トレンド一:マルチスペクトルとハイパースペクトルの境界が曖昧になる。センサコストの低下と計算能力の向上に伴い、マルチスペクトルシステムはより多くのバンドを統合して産業速度を保ちながらハイパースペクトルに近い性能に達する可能性がある。AIアルゴリズムがバンド選択と特徴融合を自動化し、利用の敷居を下げる。

トレンド二:マルチモーダル融合が主流になる。マルチスペクトルデータはRGB、3D点群、超音波、X線のデータと融合し、より包括的な検査能力を形成する。AIモデルは異種データを扱う必要があり、アーキテクチャと計算能力に新たな要求が生じる。業界の実務では、マルチモーダル融合が複雑な欠陥の検出を大幅に改善することが示されている。

トレンド三:エッジコンピューティングとオンライン学習。マルチスペクトル検査は大量のデータを生成し、そのすべてをクラウドへ上げるのは現実的でない。エッジ演算ユニットはライン脇で推論を完了でき、オンライン学習に対応してモデルが新しいバッチや工程による分布変化に適応し続けられる。これは多品種少量生産で特に重要で、再ラベリングと再学習のコストを減らす。

トレンド四:標準化とモジュール化。マルチスペクトルソリューションは現在カスタマイズ色が強く、ベンダー間でカメラ、光源、フィルタのインタフェースが統一されていないため統合に時間がかかる。より標準化されたインタフェースとモジュール部品が現れ、エンジニアがブロックのようにマルチスペクトルシステムを組めるようになる可能性が高い。アルゴリズム側では、数サンプルで新しいタスクへ転移できる事前学習済み分光モデルが登場するかもしれない。

トレンド五:コスト低下が普及を加速する。CMOSセンサ、フィルタコーティング、エッジ演算チップの成熟に伴い、マルチスペクトルカメラのコストは下がっている。かつて数十万元規模だったマルチスペクトルシステムも、現在は一部のスナップショット方式が数万元の範囲に達している。コスト低下はマルチスペクトル撮像を高級製造から一般的な産業検査、たとえばハードウェア外観確認、繊維の欠陥検出、農産物の選別へと押し広げる。

まとめると、AI外観検査におけるマルチスペクトル撮像の価値は、分光次元を計算可能な特徴次元に変えることにある。RGBを置き換えるのではなく、RGB、3D、超音波を補完する。同色異材質、低コントラスト、表面下の欠陥といった従来のビジョンの難題に対して、マルチスペクトル撮像はより安定した解を与えることが多い。マルチスペクトルのプロジェクトを進めるときは、具体的な検査対象から出発し、まず分光分析を行い、そのうえでハードウェアとアルゴリズムを選び、最後にラインシステムと統合する。バンド数を盲目的に追わず、特定のバンドにおける対象と背景の分離性に注目する。同時に、データのラベリング、バンドの位置合わせ、モデル配備といったエンジニアリングの細部に気を配り、実験室の結果がラインの安定性に結びつくようにする。アルゴリズムの自動化が進みハードウェアコストが下がれば、マルチスペクトル撮像はインテリジェント製造におけるAI外観検査の標準構成になり、製造企業の品質と生産性の向上を支えるだろう。

分野: AI画像認識百科