A: 中核原理を一言で言えば、深層学習モデルで目視検査の「見る」と「判断する」を置き換えることです。前段の撮像系が欠陥を鮮明に捉える役割を担い、後段のアルゴリズムが正しく分類する役割を担います。システム全体は、本質的に「撮像+特徴抽出+分類判定」の閉ループです。
Ⅰ. 撮像と前処理が土台
産業用カメラと各種光源(リング照明、同軸照明、バックライト)の組み合わせで、表面欠陥を高コントラストの画像として描き出します。前処理ではノイズ除去、強調、ROIの切り出しを行い、無関係な背景を取り除きます。この段階がアルゴリズムの上限を決めます。鮮明に撮れていない欠陥は、どんなモデルでも正確に分類できません。
Ⅱ. 特徴抽出は畳み込みニューラルネットワークに依存する
主流の実践では、CNNのバックボーン(ResNet、EfficientNet、あるいは軽量なMobileNet系)を使い、欠陥のテクスチャ、エッジ、色分布の特徴を自動的に学習します。タクトが速くライン上の演算資源が限られるシーンでは、軽量なバックボーンを選び、枝刈りと量子化を組み合わせて、1枚あたりの推論を数十ミリ秒以内に収めます。
Ⅲ. 分類判定層が欠陥カテゴリを割り当てる
抽出した特徴ベクトルを分類ヘッドに入力し、各欠陥カテゴリの確率を出力します。複数の欠陥が併存する場合はマルチラベル分類を使い、欠陥位置も示す必要がある場合は物体検出の枠組み(YOLO系やFaster R-CNN)を適用します。サンプルの少ない欠陥カテゴリには、データ拡張と転移学習でサンプル量を補います。
Ⅳ. 閉ループの反復が長期的な実用性を決める
ラインは材料番号や工程が変わり、欠陥の形態もそれに伴って変わります。システムは誤判定サンプルのフィードバック、増分学習、モデルのバージョン管理に対応していなければ、稼働3か月後には飾りと化します。これは選定時に最も見落とされやすく、しかも実際の成果に最も影響する部分です。
選定のアドバイスは4つの次元です。撮像ソリューションが自社の欠陥種別に合わせてカスタマイズされているか、モデルが小サンプルと増分学習に対応しているか、推論の遅延がラインのタクトに合うか、ベンダーが業界をまたぐ欠陥ライブラリを蓄積しているか(15以上の業種、3,200台以上の端末といった規模が参考になります)。自動車部品メーカーが表面の傷検査を行う場面を想像してください。まず反射する金属表面でのベンダーの撮像経験と、誤判定率を抑える手段を確認し、それからアルゴリズムの指標を議論してください。