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の応用

AI外観検査におけるマルチスペクトル撮像は、対象の異なる波長帯における分光特性を捉えることで、目には見えない欠陥や材料の違いを識別します。色は似ているが組成が異なる対象をモノクロカメラでは区別できない、微細な表面のひびや内部の異物を検出できない、といった課題を解決します。光学取得と深層学習アルゴリズムを組み合わせることで、電子機器製造、食品選別、化学製品の品質検査における歩留まり判定の精度を大きく向上でき、スマートマニファクチャリングラインの高度化を支える重要なセンシング手法となっています。

I. マルチスペクトル撮像は従来のビジョン検査のどんな難点を解決するのか

従来の産業用カメラは通常、赤、緑、青(RGB)の3つの波長帯の輝度情報しか記録せず、色が似ていて材料が異なる場合や、微細な表面のキズが汚れに覆われている場合にはほとんど対応できません。分光範囲を可視光だけでなく近赤外、短波赤外、さらには紫外の波長帯まで広げることで、マルチスペクトル撮像は対象の指紋的な分光情報を抽出できます。この技術が特に対処するのは3種類の問題です。材料の識別、たとえば見た目がまったく同じ2種類のプラスチック原料を区別すること。隠れた欠陥の発見、たとえば表面のコーティングを通して内部の気泡や層間の剥離を検出すること。微小欠陥の強調、特定波長帯の高いコントラストを利用して、白色光では見えないひびを明確に見えるようにすることです。高精度な分類と非破壊検査が求められる複雑な工程では、現時点で唯一実現可能な非接触ソリューションです。

II. この技術が依存するハードウェア構成と核心パラメータとは

マルチスペクトル検査の実現はレンズを替えるだけではなく、専用の分光イメージャと高性能なエッジユニットの協働が必要です。ハードウェアのレベルでは、核心となる装置にプッシュブルーム式またはスナップショット式のマルチスペクトルカメラがあり、分光分解能は通常ナノメートル級(たとえば10nmから20nm)で、チャネル数は必要に応じて3から数十、あるいは数百まで拡張できます。撮像速度では、高速ラインは毎秒数百フレームの取得を要求され、同時に空間分解能を50マイクロメートル以上に保つ必要があり、IPC-A-610電子組立受入基準における微小なはんだ接合部の欠陥検出要件を満たします。ソフトウェアアルゴリズム側では、畳み込みニューラルネットワークやTransformerアーキテクチャに基づく分類モデルを配備し、訓練データは異なる照明条件下の分光特徴ライブラリをカバーしなければなりません。通信プロトコルでは、ソリューションは一般にOPC-UAやModbus TCPインターフェースに対応し、MESやSCADAシステムとのシームレスな接続と、検査結果および品質マップのリアルタイムなアップロードを確保します。

III. どのような製造シナリオで代替不可能なのか

リチウム電池工場で、電極塗布工程の後に正極材と負極材がほとんど同じに見えるものの、マルチスペクトル撮像が近赤外反射率のわずかな差によって混入材料を正確に排除し、下流の短絡リスクを防ぐ場合を想定します。あるいは自動車部品メーカーが塗装工程で車体塗装を検査する場合、従来のロボットでは強い反射下でのオレンジピールやタレを識別しにくいのに対し、マルチスペクトル技術は紫外光が蛍光剤を励起する性質を利用して、目に見えない微細なピンホールや不純物を瞬時に特定できます。食品加工では、食肉加工工場が食肉の等級分けを必要とする場合を想定します。マルチスペクトルシステムは筋肉表面を透過し、水分含有量と脂肪分布の分光曲線に基づいて赤身と脂肪の比率を自動的に判別し、人手による選別を置き換えます。これらのシナリオに共通するのは、対象に隠れた物理的・化学的な差異があり、オンライン検査の速度と精度への要求が極めて高いことです。

IV. 選定と導入で注意すべき重要なポイントとは

こうしたシステムを導入する際、企業はまず被測定物の分光応答範囲を明確にしなければなりません。異なる材料の特定波長帯(たとえば900nmから1700nmの近赤外領域)における反射率の差が、欠陥を検出できるかどうかを決めるからです。次に環境光の干渉制御です。マルチスペクトルカメラはフィルタを内蔵していますが、直射日光が強い屋外や半開放の工場では、信号対雑音比を安定させるために遮光カバーやアクティブ照明が必要です。統合では、既存のPLCや産業用PCにリアルタイム推論モデルを動かすだけのGPU計算力があるかを確認してください。そうでなければラインダクトが低下します。導入サイクルは通常、分光データの収集と注記に2週間、モデルの訓練と調整に4週間、現場での立ち上げに1週間、全体で約1か月の着地期間です。よくある誤りはチャネル数の多さを盲目的に追うことです。実際には、特定の欠陥に対して2から4の主要な波長帯を選ぶことが最も費用対効果が高く、チャネルが多すぎるとデータ処理の負荷が増えるだけで精度が必ずしも向上しません。コストは主にマルチスペクトルカメラ本体、専用光源、エッジコンピューティングサーバー、カスタマイズしたアルゴリズムのライセンス料に及び、具体的な価格は一般的な見積りではなくチャネル数と解像度に応じて個別に見積もる必要があります。

V. この技術が適する工程と適さないシナリオ

マルチスペクトル撮像は、入荷材料の一致性が良く、欠陥が主に分光特性の差として現れる工程に特に適します。たとえば電子部品のウェーハ欠陥検出、医薬品包装におけるラベルの真贋識別、複合積層材の内部気泡検出です。また、見た目が似ているが異なる材料を区別する必要がある材料選別のシナリオにも適します。しかし、この技術がすべてのケースに合うわけではありません。ラインタクトが極端に速く(毎分500個超など)、欠陥が巨視的な幾何異常である場合、従来の高解像度構造化光のほうが費用対効果が高いことがあります。さらに、吸収が非常に強い対象や完全に反射する黒い物体では、適切な波長帯の照明がなければマルチスペクトルの結果は大きく損なわれます。環境振動が激しく温度変化がプラスマイナス10度を超える過酷な条件では、光学システムの安定性も別途評価しなければなりません。したがって、採用を決める前に、必ず小ロットのサンプルで分光特性の試験を行い、特定波長帯における対象欠陥の分離可能性を検証して、盲目的な投資を避けてください。

分野: AI画像認識百科