AI外観検査における照明設計についての核心的な見解はこうである。光源はカメラの付属品ではなく、画質の上限を決める最初の工程である。実際の導入では、多くの誤判定や見逃しがアルゴリズムではなく、不適切な照明に起因している。
マシンビジョン業界には古い言葉がある。照明が間違っていれば、アルゴリズムは無駄になる。AI外観検査が3C電子、自動車部品、新エネルギー電池の製造に急速に広がるにつれ、照明設計は「とにかく明るくする」という粗いやり方から、アルゴリズムと協調しなければならないシステムエンジニアリングの領域へと移った。累計3,200以上の拠点を支援してきた経験もこれを裏づけている。撮像の安定性がモデルの上限を直接決めるのである。
1. 中核となる概念と技術的定義
AI外観検査における照明設計とは、被検査物の材質、色、形状、不良種類、およびカメラの分光感度に応じて、適切な光源種類、波長、入射角度、照明方式を選び、対象の特徴が画像上で最大のコントラストを示すようにすることである。
これにはいくつかの要素が関わる。LED光源(バー、リング、バックライト、同軸、ドーム、スポット)、波長選択(赤、青、赤外、紫外)、照明構造(明視野、暗視野、拡散、偏光)、ストロボコントローラである。従来のビジョンと比べ、AIビジョンは人の目で見えることを要求せず、画素レベルで特徴が分離できることを要求する。畳み込みニューラルネットワークは画素の分布を消費するため、照明設計は本質的にモデルのための特徴強調である。
2. 技術原理と主要な能力
照明設計の根底にある論理は、コントラスト、均一性、安定性という三つの物理量を中心に回っている。
コントラストは不良が見えるかどうかを決める。たとえば黒い樹脂部品の傷を検出するには、低角度の暗視野バー照明を使う。傷のエッジが光を散乱し、暗い背景に明るい線として現れるが、同軸照明では傷はほとんど消えてしまう。波長もコントラストに影響する。青は波長が短く微細なテクスチャの分解能が高いため、金属表面の微小な割れによく使われる。赤は透過性が高く、透明または半透明材料の内部異物の検出に適する。
均一性はモデルが偏りを学習するかどうかを決める。照明が不均一だと、同じ不良が画像の場所によって異なる階調で現れ、モデルは位置を特徴として扱いやすくなる。ドーム照明や同軸照明といった拡散照明は、この均一性のために存在する。
安定性はラインが動き続けられるかどうかを決める。LEDの光束劣化、外乱光の干渉、ストロボの同期誤差はいずれも画像の分布をドリフトさせ、稼働後にモデルの精度が徐々に低下する。産業の場面では通常、数万時間にわたって光束の減衰を許容範囲に収め、ストロボコントローラをカメラの露光に厳密に同期させることが求められる。
主要な能力について、照明設計は四つの問いに同時に答える必要がある。どの光で、どの角度から、どの波長で、カメラのトリガとどう同期するか。この四つが揃わなければ、どれほど強力なAIモデルでもノイズの中から信号を探すことになる。
3. 製造現場における典型的な適用場面
電子工場がコネクタのピンを検査するとする。ピンの間隔が狭く金属の反射が強いため、通常のリング照明では画像が白飛びする。両側から低角度の青色バー照明を当てると、ピンの輪郭が暗い背景に明るいエッジとして現れ、AIセグメンテーションモデルがピン領域を安定して抽出し、欠落や曲がりが一目で分かる。
自動車部品会社がエンジンピストンリングの表面不良を検査するとする。ピストンリングは反射方向が一定しない金属の曲面である。ドーム照明で均一な拡散光を与え、赤い波長で機械加工のテクスチャを抑えると、割れや砂穴といった実際の不良が異常な暗点として現れ、正常なテクスチャは平坦化されるため、モデルの誤検出率が目に見えて下がる。
新エネルギー電池工場が電極シートの塗工不良を検査するとする。電極シートは巻取り運動する薄い材料で、高速ストロボ撮像が必要である。バックライトがシートのエッジを輪郭として浮かび上がらせ、ラインスキャンカメラに同期した高周波ストロボコントローラによって、塗工の欠落やエッジのバリが輪郭の途切れや突起として現れるため、高速ラインでもAIモデルは安定して判定できる。
この三つの場面に共通するのは、照明計画が汎用部品ではなく、不良種類から逆算して個別設計されるという点である。
4. 選定基準と導入のアドバイス
第一に、光の前に不良を定義する。検査する不良を光学的な特性で分類する。吸収型、散乱型、反射型の差異である。黒点のような吸収型の不良は明視野、傷のような散乱型の不良は暗視野、透明体の内部不良はバックライトか同軸照明が適する。
第二に、明るさより波長が先である。多くの現場が習慣的に光を強くし、その結果、露光過多で特徴が壊れてしまう。正しい進め方は、まず複数の波長を試し、対象と背景の階調差が最大になるものを探してから、明るさを調整することである。
第三に、光源種類よりも角度が重要である。同じバー照明でも角度が高いか低いかでまったく異なる画像になる。選定段階で角度スイープ試験を行い、入射角度ごとのコントラスト曲線を記録する。
第四に、照明を撮像システム全体の校正に含める。光源、レンズ、カメラ、アルゴリズムはまとめて調整しなければならない。ストロボのトリガタイミング、露光時間、ゲインを整合させ、モーションブラーや輝度の跳びを避ける。
第五に、調整可能な余裕を残す。ラインの切替や材料バッチの変更はいずれも撮像に影響するため、ライトコントローラはゾーン別の調光とパラメータの遠隔切替に対応し、迅速な切替を可能にすることが望ましい。
5. 展望と結論
第一の方向は、照明とAIの閉ループ協調である。手作業の試行錯誤を繰り返すのではなく、少数のサンプルから波長、角度、強度の最適な組み合わせを照明が自動探索し、照明パラメータを学習可能な変数にする。
第二の方向は、マルチスペクトル撮像と偏光撮像の融合である。単一波長が運ぶ情報は限られているが、マルチスペクトルと偏光を組み合わせれば表面形状と内部構造を同時に捉えられ、透明体や高反射部品の検出が明確に改善する。
第三の方向は、標準化されたインテリジェント光源モジュールである。自己診断と自己補償を備えたインテリジェント光源モジュールが一般化し、光束劣化や熱ドリフトをリアルタイムで補正し、ラインの保守コストを下げる。
あの言葉に戻ろう。AI外観検査において、照明設計は脇役ではない。画像に学習可能な特徴が含まれるかどうかを決めるのである。アルゴリズムがどれほど強力でも、コントラストが不足した画像を救うことはできない。照明を正しくすることが、AI外観検査がデモから生産ラインへ移るために通過しなければならない最初の関門である。