歯車の歯面キズ・打痕・歯形不良・バリといった欠陥を画像AIで検査するための論点を整理します。歯車特有の三次元形状・反射・回転位置の課題と、撮像設計から判定ロジックまでの考え方を、現物検証を前提に解説します。
歯車は、動力を伝達するという機能上、ごくわずかな歯面のキズや歯形のずれが騒音・振動・早期摩耗・最悪の場合は破損につながる部品です。自動車のトランスミッション、減速機、産業機械の駆動部など、安全と信頼性に直結する箇所で使われるため、外観検査・寸法検査の要求水準は他の機械部品と比べても高い傾向があります。一方で、その検査の多くがいまも熟練検査員の目視と触診に依存している、という現場が少なくないと考えられます。
なぜ自動化が進みにくいのか。理由は歯車という部品の形状そのものにあります。平面のプレート部品であれば、真上から一枚撮れば欠陥の多くは捉えられます。しかし歯車は、歯先・歯面（インボリュート曲面）・歯元・歯底が連続した三次元の曲面で構成され、その歯が円周上に等間隔で並んでいます。つまり「曲面が回転対称に何十枚も並んだ立体」を、欠けなく観察しなければならないという、外観検査としては難度の高い対象です。
歯車検査を一括りに語ると設計を誤りやすいため、まず性質の異なる2系統を分けて考えることをおすすめします。ひとつは外観欠陥です。歯面の打痕・スクラッチ・かじり（スカッフィング）、研削焼け、バリ、欠け、異物の付着、めっき・熱処理ムラといった、表面に現れる不良がこれにあたります。これらは画像で「見える」欠陥であり、画像AIによる外観検査の自動化が寄与しうる領域だと考えます。
もうひとつは幾何精度です。歯形誤差、歯すじ誤差、ピッチ誤差、歯厚、振れ（ラジアル・アキシャル）といった、ミクロン単位の寸法・形状精度がこれにあたります。これらは歯車試験機や三次元測定機、専用の歯形測定器が担う領域で、カメラ画像から直接ミクロンの歯形誤差を保証するのは一般に容易ではありません。本記事は主に前者の外観欠陥を対象としつつ、画像が幾何特徴のスクリーニングにどこまで寄与しうるかにも触れていきます。
目視による歯車検査は、検査員が一個ずつ手に取り、ライトにかざして角度を変えながら全歯を確認するという作業になりがちです。歯数が多い歯車では一個あたりの確認点数が多く、ロットが大きいほど集中力の維持が難しくなります。金属光沢のある歯面は、見る角度によってキズが見えたり消えたりするため、検査員の「かざし方」という暗黙知に精度が左右される側面もあります。
こうした検査は、熟練度への依存・検査基準の属人化・長時間作業による見逃しリスクといった課題を構造的に抱えています。検査技能の承継が難しくなっている現状も踏まえると、画像とAIによる支援の価値を検討する余地は大きいと考えます。ただし「目視を丸ごと置き換える」という発想ではなく、まず人の負担と見逃しリスクをどこから減らせるか、という観点で入るのが現実的だと考えます。
検査設計を始める前に、自社の歯車にどんな欠陥が、どの工程で、どの部位に出るのかを棚卸しすることが欠かせないと考えます。欠陥タイプによって、必要な解像度・照明・撮る角度がまったく変わるためです。ここでは代表的な欠陥を、画像で捉える観点から整理します。
最も頻度が高いのが歯面のスクラッチ（線状キズ）・打痕（点状のへこみ）・かじりです。多くは搬送中の部品同士の接触や、治具との干渉、運転中の摺動で発生します。画像で捉える難しさは、これらが金属光沢面の上に現れる微小な凹凸である点にあります。正反射が強い面では、キズの陰影が背景の反射に埋もれてしまい、照明の当て方ひとつでコントラストが大きく変わります。線状キズは照明の方向と直交するときに最もよく見え、平行のときはほぼ消える、という性質も設計上見逃せません。
歯切り・面取り工程に由来するバリや、ハンドリングでの歯先の欠け（チッピング）も重要な検査項目です。バリは歯先稜線や歯端面のエッジ部に出るため、エッジを横から、あるいは斜めから観察できる視野が必要になります。歯先の欠けは輪郭（シルエット）として捉えやすい場合があり、背景を抜いた逆光（シルエット）撮像が有効な可能性があります。一方で歯面の内側に出る微小な欠けは、正面照明と斜光の組み合わせが要ると考えられます。
研削焼け（グラインディングバーン）は、研削熱による組織変化が表面の色味・反射の変化として現れることがあります。これは凹凸ではなく「色・トーンの変化」なので、キズ検査とは別の照明・別の判定軸が必要です。浸炭・窒化などの熱処理ムラ、めっきや黒染めのムラ・ハジキも同様に、形状ではなく面の均一性を見る検査になります。金属部品の外観検査では、こうした「凹凸系」と「色ムラ系」を一台の撮像で両立させること自体が設計上の難所になりやすいと考えます。
現場の歯車は、切削油・防錆油の油膜、加工で生じる正常な研削目、洗浄後の水滴跡などをまとった状態で検査に回ってくることがあります。これらは「正常だが欠陥に似て見えるもの」であり、過検出の最大の原因になりがちです。AIに「これは欠陥」「これは正常な加工痕」を学習させるには、正常側のバリエーションを十分に集めることが、欠陥そのもののサンプル収集と同じくらい重要になると考えます。外観検査の限界と対処でも触れているとおり、正常の振れ幅をどう定義するかが精度を左右します。
歯車検査の成否の大半は、AIアルゴリズムより前の「撮像」で決まると考えます。どれだけ高度なモデルを使っても、欠陥が写っていない画像からは欠陥を見つけられません。歯車という立体を、欠けなく・安定して・欠陥が見えるコントラストで撮るための設計が出発点になります。
円周上に並んだ歯を一度に全部撮ることは、一台のカメラでは原理的に困難です。手前の歯がよく見える角度では、奥の歯や反対側の歯は斜めにしか見えません。そこで一般的なのは、歯車を回転テーブルに載せ、一定角度ずつ割り出して（インデックスして）、各位置で撮像する方式です。歯数に応じて「1歯ずつ正対させて撮る」か「数歯まとめて撮る」かを選び、全歯が少なくとも一回は良い角度で写るようにします。回転中心と画像座標の対応を取れば、「何番目の歯に欠陥が出たか」という位置情報も記録でき、後工程での原因追跡に役立つと考えられます。
歯面のキズ、歯先のバリ、研削焼けの色ムラは、それぞれ最適な照明が異なります。微小な凹凸キズには低角度から当てる斜光（ローアングル照明）が陰影を強調するのに有効な一方、面の色ムラには拡散したドーム照明やコアキシャル（同軸落射）照明が均一なトーンを得やすいと考えられます。バリの輪郭には逆光が効く場合があります。そのため、一回の割り出し位置で複数の照明パターンを順番に切り替えて複数枚撮る、という「照明シーケンス」を組むことが現実的な解になりやすいと考えます。1パターンですべての欠陥を捉えようとせず、欠陥タイプごとに最適な画像を別々に得る発想です。
検出したい最小欠陥のサイズが、必要な解像度を決めます。たとえば0.1mmの打痕を取りこぼしなく捉えたいなら、その欠陥が画像上で数ピクセル以上を占めるように、画素分解能を逆算する必要があります。歯車の外径と歯幅から視野を決め、その視野で必要な分解能が得られるカメラ・レンズを選ぶ、という順序です。歯面は手前から奥へ傾いた曲面なので、被写界深度（DOF）も無視できません。絞りを絞れば深度は稼げますが光量が落ちるため、照明強度とのバランスを現物で詰める必要があると考えます。机上のスペックだけで決め切らず、サンプルを撮って確かめることが結局は近道だと考えます。
多くの現場では、一台のラインで複数の歯車品種を流します。外径・歯数・モジュール（歯の大きさ）が変われば、視野・割り出し角度・ピント位置がすべて変わります。段取り替えのたびに照明やカメラ位置を手で再調整するのは現実的でないため、品種ごとの撮像レシピ（割り出し角度・照明パターン・露出）をあらかじめ登録して呼び出せる仕組みを、設計の初期から織り込んでおくことが望ましいと考えます。この拡張性を後付けするのは大きな手戻りになりがちです。
撮像が整ったら、次は画像から欠陥をどう判定するかです。歯車の欠陥検査では、欠陥サンプルが集まりにくい・正常のばらつきが大きい・部位ごとに見るものが違う、という事情があるため、単一の手法に固執せず、欠陥の性質に応じて手法を組み合わせる考え方が有効だと考えます。
欠陥のサンプルが種類ごとに十分な枚数集まるなら、欠陥あり・なしを学習させる教師あり分類や、欠陥領域を画素単位で塗り分けるセグメンテーションが選択肢になります。一方、歯車のように「不良はめったに出ない・出ても多様で枚数が揃わない」場合は、正常品だけを大量に学習し、そこから外れたものを異常として検出する正常学習（異常検知）のアプローチが現実的なことが多いと考えます。正常の歯面がどう見えるかをモデルに覚えさせ、見慣れないパターン（キズ・打痕・付着物）を逸脱として拾う発想です。ただし正常学習は「正常のばらつき」をすべて学べていないと過検出が増えるため、油膜や加工痕を含む十分な正常データの収集が前提になります。
歯形そのものの欠け・大きな変形は、設計上の理想的な歯形プロファイルや、良品のマスター画像をテンプレートとして、各歯のシルエットや輪郭との差分を取る、という古典的な画像処理が依然として有効な場合があります。AIとルールベースは二者択一ではなく、輪郭の幾何的な逸脱はルールベースで安定的に拾い、歯面の微妙な質感欠陥はAIで拾う、といったハイブリッド構成が、説明性と精度を両立しやすいと考えます。ミクロンの歯形精度保証は引き続き専用測定器の領域ですが、「明らかな欠け・歯飛び・大きな変形」を画像でスクリーニングする用途であれば、画像の寄与は十分に見込めると考えられます。
近年は、画像と言語を結びつけて理解するVLM（視覚言語モデル）を検査に応用する動きもあります。VLMは「研削焼けのような変色がある」「歯先にバリ状の突起がある」といった、言葉で定義された欠陥概念に対して、少ないサンプルでも柔軟に当たりをつけられる可能性があります。多品種・少量で、欠陥サンプルがほとんど集まらない歯車検査では、こうした柔軟性が活きる場面があると考えます。一方で、推論コストや判定の安定性・説明性には課題もあるため、従来手法との役割分担を現物で見極める姿勢が重要だと考えます。NsightではエッジでのVLM活用を含め、対象に応じた手法選定を前提にしています。
実運用では、明確な良品と明確な不良の間に必ずグレーゾーンが存在します。ここを機械が無理に二値判定すると、過検出か見逃しのどちらかに倒れます。現実的には、スコアが一定範囲のものは「要確認」として人にエスカレーションする三分類（OK／NG／要確認）にし、確実なものだけを自動で振り分ける運用が、立ち上げ期には無理がないと考えます。要確認に回った画像はそのまま再学習の貴重なデータになります。
検査システムは、導入した瞬間の精度より、数か月・数年にわたって精度を保てるかどうかが価値を決めると考えます。歯車検査をラインに乗せ、運用の中で精度を維持していくための論点を整理します。
全歯を多方向照明で複数枚ずつ撮ると、一個あたりの撮像枚数は容易に数十枚規模になります。これがラインのタクトタイムに収まるかは、最初に詰めるべき制約です。全数・全歯・全欠陥タイプを一度に狙うと処理が間に合わないことも多いため、「重要欠陥は全数、軽微なものは抜き取り」「重点部位を優先」といった優先順位づけを、検査要求と相談しながら設計することが現実的だと考えます。撮像・転送・推論をどう並列化するか、エッジ側でどこまで処理するかも、タクトを決める要素になります。
立ち上げ初期は、安全側に振って過検出が多めに出ることがよくあります。過検出が多いと、結局すべてを人が見直すことになり「自動化したのに楽にならない」という事態を招きます。これを防ぐには、現場で誤判定の実物を集め、なぜ誤ったか（油膜か、加工痕か、照明変動か）を分類し、正常データに反映して再学習する地道なループが欠かせません。AI検査のPoCがつまずく理由の多くは、この運用ループを回す体制を最初に設計しなかった点にあると考えます。精度は「納品時の数値」ではなく「運用で育てるもの」と捉える視点が要ると考えます。
工場の環境は一定ではありません。外光の差し込み、照明の経年劣化、レンズや治具に付着する油・粉塵、季節による温度変化が、画像の見え方を少しずつ変えていきます。歯車は油を伴うことが多いため、特にレンズ・照明の汚れ管理は精度維持の生命線になりがちです。定期的な清掃・基準ワークによる日々のセルフチェック・照明光量のモニタリングを運用に組み込み、画像が変質したら早期に気づける仕組みを持つことが、長期安定の鍵になると考えます。稼働モニタリングのように、判定結果や画像の傾向を継続的に見る運用も有効だと考えられます。
歯車のように信頼性が問われる部品では、「なぜこれをNGと判定したか」を後から確認できることが重要です。欠陥位置（何番目の歯か）・判定スコア・撮像画像を紐づけて残すことで、客先への説明や工程改善にも使えます。また、AIの判定を現場の検査員が信頼するには、判定根拠を見える化し、人が最終確認できる導線を残すことが欠かせないと考えます。現場のリスキリングの観点でも、AIを「ブラックボックスの審判」ではなく「検査員の補助ツール」として位置づけることが、定着の近道だと考えます。
これまでの論点を踏まえ、歯車の歯面・歯形検査を自動化する際に陥りやすい落とし穴を、チェックリストとして整理します。導入の検討段階で目を通しておくと、手戻りを減らせると考えます。
これらは個別の失敗というより、いずれも「現物・現場を見ずに机上で決めてしまう」ことから派生する共通の落とし穴だと考えます。歯車のような立体・金属光沢・多品種という難条件では、サンプルを実際に撮ってみて初めて分かることが多く、検証を前倒しするほどリスクを下げられると考えます。
最後に、歯車の歯面・歯形欠陥検査AIを実際に検討する際の、無理のない進め方を整理します。結論から言えば、いきなり全自動ラインを構想するのではなく、自社の現物を撮って何が見えるかを確かめる小さな一歩から始めることを推奨します。
まず、自社の歯車にどんな欠陥が・どの部位に・どの頻度で出るかを棚卸しし、それぞれが「画像で見える欠陥」か「測定器の領域」かを切り分けます。そのうえで、代表的な良品・不良品サンプルを実際に複数の照明・角度で撮影し、欠陥が画像上でコントラストを持って写るかを確認します。ここで写らない欠陥は、AI以前に撮像設計を見直す必要があると分かります。この段階の検証は、本格投資の前に行うほど費用対効果が高いと考えます。
撮像の見込みが立ったら、限られた欠陥タイプ・限られた品種に絞って小規模なPoC（実証）を行い、過検出率・見逃し率の手応えを確かめます。ここでの目的は「完璧な精度」ではなく、「どの欠陥はいまの技術で安定して捉えられ、どれが難しいか」の線引きを現物で得ることです。投資対効果の試算も、この実測値をもとに行うほうが地に足のついた判断ができると考えます。
本番投入は、最初から無人化を狙わず、人の検査を補助する二次選別（明らかなNGを機械が拾い、グレーは人が確認）から始める進め方が現実的だと考えます。運用しながら誤判定を集めて再学習し、安定した欠陥タイプから自動判定の比率を上げていく。この積み上げが、結果的に最短で安定運用に到達する道だと考えます。エッジ機器での処理や既存設備への後付けについては、エッジAIのリトロフィットのような考え方も選択肢になります。
歯車のような金属光沢・三次元曲面・多品種の検査は、教科書的な手順だけでは答えが出ず、撮像・照明・判定のどれもが現物合わせの調整を要します。Nsightは、元キーエンス画像処理事業部出身の監修者を中心に、こうした「画像が見えるかどうか」を起点に検査の成否を見極める知見を蓄えてきました。私たちが大切にしているのは、性能をカタログ値で語ることではなく、お客様の現物・現場での検証を通じて、何が捉えられて何が難しいのかを一緒に確かめることだと考えています。歯車検査の自動化を検討されている場合は、まず実際のワークを撮るところから、現実的な解を一緒に探っていければと考えます。
一般に、ミクロン単位の歯形誤差・ピッチ誤差・歯すじ誤差の保証は、歯車試験機や専用の歯形測定器が担う領域だと考えます。画像AIが得意とするのは、歯面のキズ・打痕・バリ・変色といった「見える欠陥」や、欠け・歯飛び・大きな変形といった明らかな形状逸脱のスクリーニングです。両者は役割が異なるため、自社の検査要求がどちらに属するかをまず切り分けることをおすすめします。
不良サンプルが揃いにくいのは歯車検査では一般的です。その場合、正常品を大量に学習して逸脱を異常として検出する『正常学習（異常検知）』のアプローチが現実的なことが多いと考えます。ただし油膜・加工痕・水滴跡など『正常だが紛らわしいもの』を十分に含めて学習しないと過検出が増えます。まずは現物で正常のばらつきを集められるかを確認することが出発点になると考えます。
円周上の歯を一台のカメラで一度に撮るのは原理的に難しいため、回転テーブルで一定角度ずつ割り出し、各位置で撮像する方式が一般的です。歯数やモジュールに応じて正対させる歯の数を決め、全歯が少なくとも一回は良い角度で写るよう設計します。回転位置と画像を紐づければ『何番目の歯に欠陥が出たか』も記録でき、原因追跡に役立つと考えられます。
過検出の多くは、照明変動や油膜・加工痕といった正常側のばらつきを学習しきれていないことに起因すると考えられます。現場で誤判定の実物を集め、原因を分類して正常データに反映し再学習する、という運用ループを回すことが基本になります。あわせて、スコアがグレーなものは人に確認を回す三分類運用にすると、立ち上げ期の負担を抑えやすいと考えます。精度は納品時の数値ではなく運用で育てるものと捉える視点が有効です。
多品種への対応は設計次第で可能と考えますが、外径・歯数・モジュールが変わると視野・割り出し角度・ピント・照明がすべて変わるため、品種ごとの撮像レシピをあらかじめ登録して呼び出せる仕組みを初期設計に織り込んでおくことが重要です。これを後付けすると手戻りが大きくなりがちです。まず代表品種で撮像と判定の手応えを確かめ、段階的に対応品種を広げる進め方を推奨します。
歯面のキズ・打痕・バリ・歯形の欠けが画像で捉えられるかは、実際のワークを撮ってみて初めて分かることが少なくありません。元キーエンス出身の監修者とともに、貴社の歯車サンプルで何が見えて何が難しいかを一緒に確かめます。
現物サンプルで検証を相談する