「朝は通るのに夕方はNGが増える」——この現象は、AIの精度がぶれたのではなく、AIに入る画像そのものが時間帯で変わっていることが原因である場合が少なくありません。ソフトで吸収する前に、まずハードで光の変動を殺す。なぜその順番なのかを、変動要因の切り分けから考えます。
結論から言えば、時間帯で判定が変わる現象の多くは、AIの気まぐれではなく、AIに入力される画像そのものが時間帯で変わっていることが原因である可能性が高いと考えます。人間の目は明るさや色の変化を無意識に補正してしまうため「同じように見えている」と感じますが、カメラのセンサーは光量・色温度・反射の変化をそのまま数値として拾います。つまり、朝と夕方で「別の画像」を見せられたAIが、別の答えを返しているだけ、という構図です。
時間帯で判定が変わる不具合が厄介なのは、再現性が乏しく見える点にあります。「さっきは通ったのに」「昨日は問題なかったのに」という報告は、原因を時刻や季節と結びつけて初めて像を結びます。西日の入る秋だけ誤検出が出る、雨の日は安定する、といったパターンは、外光という変動要因の存在を強く示唆していると考えられます。
生産技術・品質保証の担当者にとって、この不安定さは単なる技術課題ではありません。人手不足で検査工程の自動化を進めた矢先に「夕方だけ人が張り付いて再確認する」状態になれば、自動化の意味が薄れます。歩留まりのばらつきはそのまま出荷判断の信頼性に関わり、過検出が増えれば良品まで止めてラインを滞らせます。撮像条件の安定化は、地味ですが事業のコスト構造に直結する論点だと考えます。
変動要因は大きく5つに整理できると考えます。順に、窓からの外光、天井照明の点灯パターン、作業者や設備の影、検査用照明の経年による光量低下、そして反射面の映り込みです。多くの現場ではこれらが複合しており、「一つ潰せば解決」ではなく、寄与の大きいものから順に切っていく発想が要ります。
最も見落とされがちで、かつ影響が大きいのが外光です。太陽は時刻で高度と方位が変わり、季節で軌道が変わり、天候で強さが変わります。窓が検査エリアから離れていても、床や壁で反射した光がワークに回り込むことがあります。西日の季節だけ症状が出る、という訴えは外光が主因である可能性を強く示すサインだと考えます。
工場の天井照明は、省エネのため区画ごとに間引き点灯していたり、休憩時間に一部消灯したりします。検査ボックスが密閉されていなければ、この環境光の変化がそのまま画像に乗ります。加えて、作業者がワークの脇に立つ・かがむといった動作で落ちる影も、瞬間的に画像を変える要因になりえます。
検査用照明（ここでは撮像のためにワークを照らす専用の光源を指します）は、点灯時間の累積で徐々に光量が落ち、色みが変わっていきます。数か月単位でゆっくり進むため気づきにくく、「最近なんとなくNGが増えた」という形で表面化することがあります。金属や光沢面では、周囲の照明や作業者がワーク表面に映り込み、傷やムラと紛らわしい像を作ることもあります。反射の扱いは光沢面のハレーション対策で扱う論点と地続きです。
最初にやるべきは、原因をAI（判定ロジック）側と撮像（画像）側に切り分けることだと考えます。切り分けの原則はシンプルで、「同じ画像を入れたら常に同じ答えが返るか」を確認することです。多くのAI検査は、同一入力に対しては決定的（同じ結果を返す）に近い挙動をするため、答えがぶれているなら入力画像がぶれている、と疑うのが筋の良い出発点になりえます。
一つのやり方として、朝・昼・夕方・夜に、同一のワーク（できれば良品と既知の不良品の両方）を同じ位置で撮影し、画像を並べて見比べる方法があります。目視で明るさや色、反射の出方が変わっていれば、撮像側の変動が濃厚です。逆に、画像はほぼ同じなのに判定だけ変わるなら、判定閾値やモデル側の要因を疑う流れになります。時間帯を変えた撮り比べは、特別な機材なしに今日から始められる客観的な把握であり、原因論争を止める最短の一手だと考えます。
撮り比べの結果を見ても照明起因かどうかの切り分けに迷う場合は、照明が効かないときで整理した観点が役立つと考えます。照明を変えても症状が動かないなら外光や露光設定を、照明の状態で症状が動くなら光源側を、というふうに、変数を一つずつ固定して観察するのが定石だと考えます。
結論として、ソフト側で明るさを補正する前に、ハード側で変動を物理的に殺すのが定石だと考えます。理由は、ソフト補正は「変動が起きたあとに帳尻を合わせる」対症療法であり、想定外の光には弱いのに対し、遮光や固定は「変動をそもそも入れない」根治に近いからです。順序としては、遮光 → 露光・ゲインの固定 → 照明の管理、の順で寄与が大きいと考えます。
最初に手をつける価値が高いのは、遮光フードやカバーで検査部を囲い、外光と環境光を物理的に遮ることだと考えます。カメラとワークの周囲を暗幕・カバー・筒状フードで囲うだけでも、外光の寄与を大きく減らせる場合があります。完全密閉が難しくても、窓側からの直射と反射光を遮る一枚を入れるだけで症状が軽くなることは珍しくありません。ここは費用対効果が高い一手だと考えます。
産業用カメラの露光（シャッター時間）とゲイン（信号増幅）を自動から固定値に切り替えることも、再現性の確保に効くと考えます。自動露光は、明るい場面では暗く、暗い場面では明るく調整しようとするため、外光の変化を「打ち消す」方向に働き、結果として時間帯ごとに違う写り方を生むことがあります。遮光で環境光を安定させたうえで露光・ゲインを固定すれば、同じワークが常に同じ明るさで写る土台ができると考えます。
撮像系は照明・カメラ・レンズを一体で決めるのが原則です。どの照明をどの角度で当てるかの基本は検査照明の設計で、撮像系を全体最適で選ぶ考え方はカメラ・レンズ・照明の選定で整理しています。遮光と露光固定で外乱を抑えた先に、自分たちの光源をどう安定運用するかが残る、という順番だと考えます。
設計で安定させても、運用で維持しなければ数か月で元に戻りうると考えます。維持のカギは、光を「測って記録する」ことだと考えます。照明は徐々に暗くなるため、点検時に同一条件で基準画像を撮り、明るさの推移を残しておくと、劣化を数値として捉えやすくなります。「なんとなく暗い気がする」を、記録に基づく判断へ変えることが狙いです。
一つの運用例として、月次などの周期で基準ワークを固定条件で撮影し、画像の明るさ指標が初期からどれだけ落ちたかを見る方法があります。ある一定の低下率を超えたら照明を交換・清掃する、という交換基準をあらかじめ決めておけば、劣化がNG増加として表面化する前に手を打てる可能性があります。ただし、どの指標をどの閾値で運用するかは現場の許容次第であり、一律の数値を当てはめず、自社の現物での検証を前提に決めることをおすすめします。
照明の交換、カバーの付け外し、カメラ設定の変更は、いつ・何を・なぜ変えたかを記録することをおすすめします。撮像条件は複数人が触るため、記録がないと「先週から急にNGが増えた」原因を後から追えなくなります。過検出が増えた際の原因追跡は過検出を減らすで扱う観点とつながり、変更履歴があるほど切り分けが速くなると考えます。
以下は、撮像条件の安定化に取り組むときに陥りやすい落とし穴です。いずれも「やってみないと分からない」部分を含むため、断定ではなく注意点として挙げます。
最初の一歩は、時間帯を変えた撮り比べによる現物の客観的な把握だと考えます。特別な投資の前に、朝と夕方で同じワークがどう違って写るかを自分の目で確認する。ここで撮像側の変動が見えれば、対策の方向はほぼ定まります。原因をAIに帰す前に画像を見る、という順番が、遠回りに見えて最短だと考えます。
次に、遮光→露光・ゲイン固定→照明の定期測定、という優先順位で一つずつ変数を潰していきます。カメラ・照明・遮光は本来一体で設計するもので、個別最適では相殺し合うことがあります。撮像系をまとめて設計・実装する考え方はハードウェア実装で整理しており、産業用カメラ・現場ライティング・遮光を統合して安定条件をつくることを軸に据えています。
Nsightは、元キーエンス画像処理事業部出身の知見を土台に、VLM（画像と言語を結びつけて内容を解釈するモデル）とJetsonなどのエッジ（現場側の端末で処理する構成）、産業用カメラ、現場ライティングを組み合わせて検査を組み上げています。モデルの性能はもちろん重要ですが、その手前でどれだけ安定した画像を入れられるかが結果を左右すると考えます。どこまでハードで殺せてどこからソフトで扱うかの線引きは現場ごとに異なるため、まずは現物での検証から始めることをおすすめします。
AIの精度そのものより、時間帯で撮像条件（明るさ・色・反射）が変わり、AIに入る画像自体が別物になっていることが原因である場合が多いと考えます。まず同じワークを朝と夕方で撮り比べ、画像が変わっているかを確認するのが切り分けの出発点になりえます。画像が変わっていれば撮像側、画像は同じで判定だけ変わるならロジック側を疑う流れになると考えます。
遮光は最も費用対効果の高い第一歩になりえますが、それだけで十分とは限らないと考えます。遮光で外光を減らしたうえで、カメラの露光・ゲインを固定し、検査照明の劣化を定期測定する、という順で重ねるのが定石だと考えます。光沢面の映り込みなど、遮光では解けない要因が残ることもあり、現場の状況に応じて対策を組み合わせる必要があると考えます。
一律の推奨照度をお伝えすることは避けています。適切な明るさはワークの材質・色・カメラの感度・検出したい欠陥の性質によって変わるため、数値だけを当てはめると却って不安定になりうるからです。基準ワークを固定条件で撮影し、欠陥がはっきり写る条件を実測で探すのが現実的だと考えます。現物・現場での検証を前提に決めることをおすすめします。
点灯時間の累積で光量は徐々に落ちるため、時間ではなく「基準画像の明るさがどれだけ低下したか」で判断する運用が一つの目安になりえます。月次などで基準ワークを同一条件で撮影し、初期からの低下がある水準を超えたら交換・清掃する、と決めておく方法があります。ただし具体的な閾値は現場の許容次第であり、自社の現物で検証して定めることをおすすめします。
切り分けや遮光の初手は、時間帯を変えた撮り比べなど特別な機材なしで始められる部分が多く、自社でも着手できると考えます。一方で、カメラ・レンズ・照明・遮光を一体で最適化する段階は、相殺し合う変数を扱うため経験が効く領域です。まず自社で現状把握を行い、設計・実装の詰めで外部知見を組み合わせる進め方が現実的だと考えます。
「AIが不安定」の多くは、時間帯で変わる撮像条件に原因が隠れている可能性があります。まずは現物を時間帯を変えて撮り比べ、何が変動しているかを一緒に見立てるところから始めませんか。遮光・露光固定・照明管理の優先順位を、現場の状況に沿って整理します。
外光変動に強い撮像条件について相談する