金属加工・樹脂成形部品で発生するバリ（はみ出し）や欠け（チッピング）を、カメラとAIで自動検出する仕組みを解説します。微小で形状が一定しないエッジ欠陥を安定して捉えるための照明・撮像設計、ルールベースとAIの使い分け、目視検査からの置き換えの進め方を整理します。
切削・プレス・成形などの加工では、部品のエッジに「バリ（材料が意図せずはみ出した突起）」や「欠け（チッピング、エッジが欠損した状態）」が発生します。これらは製品の品質・組付け性・安全性に影響するため、検査で確実に取り除くことが求められます。しかし、バリ・欠けの検査は自動化が難しい欠陥の代表格として知られています。理由を整理します。
寸法検査であれば「この穴の径を測る」と測定対象が決まっています。一方、バリや欠けは部品のどのエッジに発生するか事前に分かりません。「決まった場所を測る」のではなく「どこに出るか分からない欠陥を探す」という、性質の異なるタスクです。
バリは細い糸状のものから面状のものまで、欠けは微小な欠損から大きな割れまで、形も大きさも様々です。「こういう形のものを検出する」と単純なテンプレートで定義しきれないため、ルールを細かく作り込んでも例外が次々に出てきます。
問題になるバリ・欠けは数百μm〜数mm程度の微小なものも多く、平面的に撮ると背景と区別がつきません。照明の当て方によって、くっきり見えたりまったく見えなかったりするため、撮像設計の巧拙が検出可否を直接左右します。
こうした難しさから、バリ・欠けの検査は熟練検査員の目視に頼り続けている現場が多くあります。しかし目視は、検査員によるばらつき・見逃し・疲労の影響を受けやすく、人手不足の中で持続可能性に課題があります。技能の継承も難しい領域です。
バリ・欠けの自動検出で最も重要なのは、アルゴリズムよりもまず「欠陥が画像にはっきり写っているか」です。微小なエッジの凹凸を、いかに明瞭なコントラストとして捉えるか。ここが撮像・照明設計の核心です。
エッジの微小な凹凸は、光を斜め低い角度から当てると影として浮かび上がります。これはローアングル照明（ローアングルリング照明など）と呼ばれる手法で、平面は暗く、突起やエッジだけが明るく（あるいは影として）強調されます。バリの突起や欠けの段差を陰影として捉える発想が基本になります。
金属の光沢面、樹脂のつや消し面、透明・半透明部品など、対象の表面特性によって最適な照明は変わります。光沢面では正反射を避ける配置、つや消し面では拡散照明、といった具合に、対象ごとに照明方式・角度・色（波長）を検証して決めます。一般論として、撮像段階で欠陥が明瞭に写っていれば、後段の検出処理は大きく楽になります。
微小な欠陥を捉えるには十分な解像度が要りますが、視野を狭めると一度に見える範囲が減り、撮像回数が増えます。検出したい最小欠陥サイズと、検査スループットの要求から、解像度と視野のバランスを設計します。複数カメラや多視点での撮像が必要になる場合もあります。
どの照明・撮像が最適かは、実際の部品・実際の欠陥サンプルで試さないと確定できません。カタログ値だけで「検出できる」と断定することは避けるべきで、現物サンプルでの撮像検証を経て判断する必要があると考えます。
撮像で欠陥が明瞭に写るようになったら、次は「写った欠陥をどう判定するか」です。バリ・欠けの検出では、ルールベースの画像処理とAI（機械学習）を使い分ける、あるいは組み合わせるのが実務的と考えられます。
「エッジから一定距離以上はみ出したら不良」「規定の輪郭から一定量逸脱したら不良」のように、判定基準を数値で明確に定義できる場合は、ルールベースの画像処理が有効です。判定根拠が明確で、なぜ不良としたかを説明しやすい利点があります。明らかな寸法逸脱や大きな欠けは、この方式で弾けると考えます。
形状が一定せず、ルールで書ききれない微小・多様な欠陥には、AIによるアプローチが向きます。中でも「良品の画像を学習させ、そこから外れるものを異常として検出する」良品学習（異常検知）型のアプローチは、不良サンプルが少ない現場でも始めやすい利点があります。不良の出方をすべて事前に列挙できないバリ・欠けの性質と相性が良いと考えられます。
実務では、明確な基準で弾けるものはルールベースで安定して処理し、形が定まらない微小欠陥はAIで補完する、という組み合わせが現実的です。どちらか一方にこだわるより、それぞれの得意領域を活かす設計のほうが、安定した検査につながると考えます。
検査では、不良を見逃さないこと（見逃し抑制）と、良品を不良と誤判定しすぎないこと（過検出抑制）の両立が求められます。閾値を厳しくすれば見逃しは減りますが過検出が増え、逆も成り立ちます。どちらをどこまで許容するかは、その部品の要求品質と後工程の負荷から決める必要があります。外観検査自動化の進め方もあわせてご覧ください。
長年目視で行ってきた検査を自動化に置き換えるには、いきなり全面切り替えではなく段階を踏むのが安全です。
まず良品・不良品の現物サンプルを集め、照明・撮像条件を作り込みます。この段階で「そもそも画像で欠陥が見えるか」を確認します。見えなければアルゴリズム以前の問題なので、撮像設計に立ち返ります。
自動検査を導入しても、当面は目視と並行させます。自動判定と熟練検査員の判定を突き合わせ、過検出・見逃しの傾向を確認しながら閾値や判定ロジックを調整します。「検査員の感覚」を数値基準に翻訳していく工程です。
基準がすり合ってきたら、自動判定を主軸にし、人は「要確認」と判定されたものの最終チェックに回ります。これにより検査員の負担を大きく減らしつつ、判断が難しいものは人が担保する体制になります。
導入後に安定して使い続けるための注意点を挙げます。
バリ・欠け検出は撮像条件に敏感です。照明の経時劣化（明るさ低下）、カメラレンズの汚れ、設置位置のずれは、検出性能の低下に直結します。定期的な清掃・点検と、判定指標のモニタリングで、性能の劣化を早期に捉える運用が望まれます。
加工条件や材料が変わると、これまで出なかった種類のバリ・欠けが現れることがあります。AIを使う場合は、新しいパターンを学習データに加えて更新できる運用設計にしておくと、変化に追従しやすくなります。
不良と判定した画像と判定理由を記録しておくと、後の検証・改善・取引先への説明に役立ちます。なぜ不良としたかを追えることは、検査の信頼性を支えます。
バリ・欠け検出は「自社の部品で本当に見えるのか」が最初の関門です。一般論で「できる/できない」を断じるより、現物の良品・不良品サンプルで撮像を試し、欠陥が画像に明瞭に写るかを確認するところから始めることをおすすめします。
Nsightでは、元キーエンス画像処理事業部で産業用カメラ・照明・光学系の開発に従事した監修者の知見をもとに、こうした撮像条件の作り込みを重視しています。微小欠陥は照明設計で見え方が大きく変わるため、現物での検証を通じて「見える状態」を作るところから一緒に検討します。「うちの部品のバリ・欠けが捉えられるか」は、サンプルでの撮像検証で確かめるのが確実です。
バリ（材料のはみ出し）と欠け（エッジの欠損）はいずれもエッジ部の微小な形状異常であり、陰影を作る照明設計という点で共通の考え方が使えます。ただし見え方や判定基準は異なるため、それぞれに合わせた撮像・判定の調整が必要です。
良品の画像を学習し、そこから外れるものを異常として検出する良品学習（異常検知）型のアプローチであれば、不良サンプルが少ない現場でも始めやすいと考えられます。バリ・欠けは不良の出方が多様で事前に列挙しにくいため、この方式と相性が良い場合があります。
検出できる最小サイズは、カメラの解像度・視野・照明・対象表面の特性などの条件に依存します。一律の数値で断定することはできないため、検出したい最小欠陥サイズを前提に、現物サンプルで撮像検証を行って確認する必要があると考えます。
金属の光沢面は正反射が問題になりやすいため、照明の角度・配置や拡散照明の活用など、正反射を抑える撮像設計を行います。対象の表面特性によって最適な照明が変わるため、現物での検証を通じて条件を決めます。
いきなり全廃するのではなく、まず目視と並行運用して自動判定と熟練検査員の判定をすり合わせ、過検出・見逃しの傾向を確認しながら段階的に移行することをおすすめします。判断が難しいものは人が最終確認する体制が現実的です。