画像処理技術を用いた外観検査は、「対象部品の有無や組付け間違い」、「形状に関する不具合」、「表面特性に関する不具合」、「印刷チェック・数量のカウント」等、目的に応じて様々な検査に使用できます。
ここでは、「表面特性に関する不具合」に使用する画像処理技術や判別事例について説明します。
また、製品に焦点を当てた「製品別画像処理による判別事例」もあわせて参照ください。
使用する画像処理技術
「表面特性に関する不具合」を判別する際は、AI、ルールベースのどちらの技術も使用する可能性があります。（AI、ルールベースについては「合否判別に関わる技術」を参照ください。）
但し、「対象部品の有無や組付け間違い」、「形状に関する不具合」、「印刷チェック・数量のカウント」はAI、ルールベースのどちらも活用する可能性がありましたが、「表面特性に関する不具合」の判別は、ルールベースでは異常の定義が難しく、AIを使うことが相対的には多くあります。
ルールベースやAIの技術がどのような場面で適しているか参考にして頂けるよう、適しているケースを以下の表に示しますので本内容を御確認の上、最適な画像処理技術を選定下さい。
| ルールベースが適しているケース | AIが適しているケース |
|---|---|
| ・良品部分が単色で、異常部との色や輝度の差を明確に切り分けることができる（例：凹凸のない単色の板状の製品、等） ・検査対象部分に凹凸部や屈曲部がなく平面になっている （例：フィルムや板状の製品、等） | ・良品部と異常部の色や輝度の差だけで定義することが難しい（例：表面に凹凸形状が付与された製品でのキズや凹みの検査、等） ・製品形状が複雑で画像内での異常部の色味や輝度を一義的に定義ができない（例：製品が複数の面で構成されており、各面の画像上の色や輝度が異なる場合、等） ・良品に幅がある（例：ある程度の見た目が同じであれば良品である食品、等） |
判別事例
超硬金属研磨製品のキズ検出
研磨製品や切削加工製品は研磨や切削の方向がスジや模様として残るケースも多々ありますが、スジや模様と異なる深いスジをキズとして判別したいケースがあります。
その際に画像処理を行う上で注意が必要な点が「どのように検出したいキズがわかりやすい撮像環境を構築するか」という点です。研磨の痕が全く残っていない場合であれば問題にならないケースもありますが、研磨の痕やヘアライン加工のように意図的にスジを付けている場合もあります。このような場合に、研磨の痕やヘアライン加工の痕は極力画像に写らないようにしつつ、一方で検出したいキズは画像に鮮明に写るように、といった撮像環境を構築する必要があります。例えば、4方向から光を当てた方がよいのか、2方向からの方がよいのか、光の当てる角度は浅い方がよいのか、深い方が良いのか、使用する光源は反射時の散乱成分が多く細かな凹凸も陰影として捉えやすい青色がよいのか、散乱成分が少なく細かな凹凸の影響を受けにくい赤色がよいのか、等、検討する項目は多岐に渡ります。
一方で、従来の画像処理技術では研磨の痕やヘアラインの違いを判別ができないか、あるいは判別するために非常に複雑な条件設定をしなければならないケースがありましたが、画像を人の目で見て不良だと認識できれば、AI（Deep Learning）による判別を用いることでこれまでより比較的容易に画像処理による判別ができるようになってきています。
ガラス瓶の口元の割れ
ガラスでは、素材上の特性から「欠け」や「割れ」といった不良が判別の対象とされます。
人が一目見ると「割れ」や「欠け」というのはわかるケースが多いものの、これを色や輝度の違いで定義するのは難しい場合が多く、仮に不良を識別できたとしても多くの場合は良品も不良品として相当数を誤判別していまいます。
このような不良の検出に活用できる可能性があるのがAIによる判別技術です。形状に合わせた照明の選定や、透過光を用いて判別したい不良を画像内で「影」として捉える等、撮像環境の最適化により「不良をより正常部より際立たせ」つつ、画像処理にAIを活用することで正確な判別が可能となります。
まとめ
画像処理による外観検査と聞いたときに最もイメージするのがこの「表面特性に関する不具合」である人も多いでしょう。一方で、「表面特性に関する不具合」の検査は画像処理による判別の中でも判別が難しい場合が多い不具合です。適切な判別に向けて撮像環境の構築から判別するためのアルゴリズムの設定まで一つずつ丁寧にステップを踏むことが重要です。