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、AI外観検査におけるメタメリズム問題を解く主要な手段になりつつある。通常のRGBカメラより数倍から数十倍多くの狭帯域チャネルを持ち、人の目や一般的な産業用カメラには見えない材料の違いを見分けられる。この2年、スナップショット型マルチスペクトルセンサの低コスト化と深層学習モデルの軽量化が進み、この技術は実験室のリモートセンシングからライン水準の検査へ急速に降りてきた。電子機器、自動車部品、食品の等級選別の場面で関心が明らかに高まっている。

1. 中核概念と技術的定義

マルチスペクトル撮像とは、可視から近赤外の範囲で、いくつかの離散的な帯域(通常4〜16、ときに数十)の画像を同時または順次取得することを指す。通常の産業用カラーカメラとの違いは、RGBが赤、緑、青の3つの広帯域しか持たないのに対し、マルチスペクトルはスペクトルをより細かく分割し、たとえば700nm、750nm、800nm、850nmでそれぞれ1つの狭帯域チャネルを取る。この細分化の直接的な価値は、色が同じに見えても材料ごとに分光反射率曲線が異なることが多く、マルチスペクトル画像ならそれらを分離できることにある。

ハイパースペクトル撮像と比べると、マルチスペクトルは帯域が少なくデータ量も少なく取得も速いため、サイクルの厳しいインライン検査に向く。業界がマルチスペクトルAI外観検査と呼ぶのは、本質的にマルチスペクトル画像を深層学習モデルの入力として与え、分類、セグメンテーション、異常検知を行い、欠陥判定を出力することである。

2. 技術原理と主要能力

マルチスペクトル撮像のハードウェア方式は主に3つある。フィルタホイールの回転、複数センサの貼り合わせ、モザイクフィルタアレイなどのスナップショット方式である。現在のインライン検査はスナップショットが主流で、1回の露光ですべての帯域を取得し、モーションブラーを避ける。

主要能力は3つの水準に現れる。第一は材料の識別で、黒い樹脂部品の上の黒い接着剤や、濃色の布と同じ色の汚れはRGBではコントラストが極端に低いが、マルチスペクトル撮像では近赤外帯域で濃淡差が開くことが多い。第二は塗布やフィルム厚みの一貫性評価で、厚みが違えば特定の帯域で反射率が規則的にずれる。第三は異物検出で、食品原料中のプラスチック片や電子部品上のフラックス残渣は、分光特性が母材と明らかに異なる。

アルゴリズム側では、マルチスペクトルデータはスペクトルと画像を合わせた小さなキューブであり、一般的な方法はまず帯域選択か次元圧縮を行い、そのうえで畳み込みネットワークや軽量Transformerを使う。帯域間の冗長性が高いため、特徴工学とチャネルアテンション機構が広く使われる。こうしたシステムは通常、高性能GPUを必要とせず、エッジボックス程度の演算で大半のラインサイクルを満たす。

3. 製造業における典型的な適用場面

電子機器工場がコネクタの外観を検査し、黒い樹脂ボディに同色の異物が圧入されることがあり、RGBカメラでは誤判定が多い場合を想定する。マルチスペクトルの方法では、2つの近赤外帯域を選んで比演算を行い、異物とボディの濃淡差を増幅し、セグメンテーションモデルで流出率を下げる。こうした場面はコネクタ、リレー、FPCカバーフィルムの検査で典型的である。

自動車部品メーカーが金属表面の油膜塗布の均一性を確認する場合を想定する。油膜厚みは可視光ではほとんど判別できないが、特定の短波長赤外帯域では膜厚に応じて反射率が明らかに変化し、マルチスペクトル撮像で均一性マップを生成して塗布工程が安定しているかを判断できる。

食品の等級選別も急速に定着した方向である。ナッツ加工工場が、可視光では色が近い殻片やカビた実を除去しなければならない場合を想定する。マルチスペクトル撮像は近赤外帯域で水分やカビの特徴に敏感で、分類モデルと組み合わせればインライン選別が可能になる。こうした用途は取得速度への要求が高く、スナップショット型マルチスペクトルカメラのほうが適している。

4. 選定の要点と導入アドバイス

選定では、まず帯域が対象材料の特性範囲をカバーしているかを確認し、帯域数をやみくもに追わない。32の広い帯域よりも、4〜8の精密な帯域のほうが実用的なことが多い。第二に、取得フレームレートと露光方式を確認する。ライン速度が毎分60個を超えると、時分割取得はほぼ成立しない。第三に、データインタフェースとSDKの成熟度を確認する。マルチスペクトルの生データ形式は標準化されておらず、既存のビジョンソフトウェアスタックへ組み込めるかが立ち上げ期間を直接左右する。

導入アドバイスとしては、まずオフラインで分光の実現可能性を確認する。分光光度計やハンドヘルド分光器を使い、対象欠陥がどの帯域で分離できるかを確かめてから、カメラの帯域構成を決める。光源の安定性は見落とされやすい。マルチスペクトル撮像は照明の分光分布に敏感なため、定スペクトルLED照明と定期的な校正を推奨する。モデル学習では、照明の変動が欠陥特徴として学習されないよう変数を制御する。3200社以上のエンドユーザでの使用フィードバックでは、帯域構成の不適切さと光源のドリフトが、この手法の現場問題の上位2つである。

5. 動向とまとめ

第一の方向はスナップショットセンサの継続的な低コスト化で、マルチスペクトルモジュールが通常の産業用カメラ筐体に組み込まれ、ライン改造の障壁が下がると見られる。第二はマルチスペクトルと偏光、3D形状の組み合わせで、マルチモーダル検査を構成し、単一次元の情報不足を解く。第三は分光データに対する自己教師あり事前学習モデルの転移適用で、新しい場面ごとに大量のラベリングを必要とする負担を減らす。

マルチスペクトル撮像はRGBカメラを置き換えるものではなく、RGBが苦手な材料識別の場面を埋めるものである。製造業者にとって導入すべきかどうかの判断は一言に尽きる。欠陥が色では見えず、材料の分光では分離できるなら、マルチスペクトルAI外観検査は評価に値する道筋である。15以上の業界にまたがる120社超の顧客での実践からも、全ラインに一律で展開する汎用解というよりも、既存のビジョンシステムに対する能力の補完として位置づけるほうが適していることが示されている。

分野: AI画像認識百科