ガラス瓶・容器の欠陥検査をAIで行う際の難しさを、透明体ならではの光学特性から整理します。気泡・クラック・口部欠け・異物といった欠陥タイプ別の見え方、撮像と検査ロジックの考え方、過検出と見逃しのバランス、現場導入の落とし穴までを技術的に解説します。
ガラス瓶や容器の欠陥検査は、金属部品や樹脂成形品の外観検査とは質的に異なる難しさを抱えていると考えます。最大の理由は、被写体が透明であることそのものにあります。不透明な被写体であれば、表面に当たった光の反射と影によって欠陥が比較的素直に像を結びます。ところがガラスは光を透過するため、カメラに届く画像には「瓶の手前側の表面」「瓶の奥側の表面」「内部のガラス層」「背景」「内容物（充填済みの場合）」が重なって写り込みます。検査したい欠陥は、その重なりの中のごく一部だけです。
さらにガラスは曲面で構成されることが多く、円筒形のボディは光を強く屈折・反射させます。瓶の肩やネック（口部）にかけての曲率変化は急で、同じ照明でも場所によって明るさが大きく変わります。人の目は「透明なものを透かして見る」ことに慣れていますが、二次元画像として切り出すと、正常な反射と欠陥による反射の区別は容易ではないと考えられます。
透明体検査で意識したいのは、多くの欠陥が「異物が存在する」というより「そこで光の進路が変わる」という形で観測される点だと考えます。気泡はガラスとの屈折率差によって光を散乱・集光させ、明るい点や暗い輪として写ります。クラック（ひび）は破断面が鏡のように働き、特定の角度の光だけを強く返します。口部の欠け（チッピング）は、本来なめらかな縁が乱れることで、エッジの輝度プロファイルが局所的に崩れます。
つまり、欠陥そのものを直接「見る」のではなく、欠陥が光に与える影響を「見えるように仕向ける」ことが撮像設計の本質だと考えられます。この発想は、当社が 外観検査の限界と打ち手 で整理している考え方とも共通しますが、透明体ではその比重が一段と高まる傾向があります。
ひとくちにガラス瓶・容器と言っても、飲料用の無色透明瓶、着色瓶（茶色・緑色など）、化粧品用の厚肉ボトル、薬品用のバイアル・アンプル、食品用の広口瓶などで、求められる検査項目も光学条件も異なります。着色瓶は透過光量が落ちるため照明の取り回しが変わり、厚肉ボトルは内部に複雑な反射を生みます。化粧品容器では 化粧品の外観検査 と同様に、機能的な欠陥だけでなく見た目の美観基準も問われることが多いと考えます。
本記事は照明設計の総論ではなく、ガラス瓶・容器という業種特化の文脈で、欠陥タイプごとの見え方と検査の組み立て方を整理することを狙いとしています。汎用的な照明の基礎については別途の解説に譲り、ここでは「透明な容器をどう検査ロジックに落とすか」に絞って論を進めます。
透明体検査では、まず「自分が捕まえたい欠陥は光学的にどう見えるのか」を欠陥タイプごとに分解することが出発点になると考えます。一括りに「不良を見つける」と考えると、相反する撮像条件を一つに詰め込もうとして破綻しがちです。以下、代表的な欠陥を分けて整理します。
ガラス中に閉じ込められた空気は、ガラスとの屈折率差で小さなレンズのように振る舞います。背景に明るい面光源を置く透過照明では、気泡の輪郭が暗いリング、中心が明るい点として写ることが多いと考えられます。気泡は数十マイクロメートルから数ミリまでサイズの幅が広く、機能上問題ない微小なシードと、強度や見栄えに影響する大きなブリスターを区別する基準が必要になります。サイズ・位置（ボディかネックか底か）・数によって合否が変わるため、検出後の計測と分類が重要だと考えます。
脈理はガラスの組成や温度ムラに起因する屈折率の筋状ムラで、透過光をわずかに歪ませます。気泡のように明確な点ではなく、緩やかな濃淡の流れとして現れるため、コントラストが低く、正常な反射ムラとの切り分けが難しい欠陥だと考えられます。シュリーレン的な照明配置で歪みを強調する工夫が要ることもあります。
クラックは破断面が光を鏡面反射するため、ある特定の入射・観察角度では非常に明るく光り、別の角度ではほとんど見えないという強い角度依存性を持つと考えます。これは検出を難しくする一方、うまく角度を合わせれば暗い背景に対して鮮やかな線として浮かび上がる手がかりにもなります。口部やネジ部に生じるチェックは耐圧・密封性に直結するため、見逃しの影響が大きい欠陥です。
瓶の口（フィニッシュ部）は内容物を密封する最重要部位で、欠け・カケラ・割れ・寸法ずれは漏れや異物混入につながります。口部は真上から見た円環としての検査と、横から見たシール面の検査の両方が要ることが多いと考えます。エッジのなめらかさを輝度プロファイルや輪郭の連続性として評価するアプローチが基本になりますが、口部は曲率・反射が複雑なため、撮像の作り込みが最も難所になりやすい部位だと考えられます。
内部の異物（虫・破片・繊維）、表面の付着汚れ、ラベルや印字のズレ・カスレは、ガラス本体の欠陥とは別カテゴリですが、ライン上では同じ検査機会で見たいニーズが多いと考えます。印字・刻印（ロット番号やエンボス）の読み取りは、VLM-OCR のような文字認識と組み合わせる余地があります。異物検査については、不透明な内容物が入る場合に 食品工場の検査自動化 で触れた異物検出の考え方も参考になると考えます。
欠陥タイプを分解したら、次はそれぞれを「見えるようにする」撮像をどう組むかです。透明体では、一つの万能セットアップを探すより、欠陥に応じた撮像モードを複数用意して組み合わせる方が現実的だと考えます。ここでは代表的な撮像の考え方を整理します。
瓶の背後から均一な面光源を当て、カメラを正面に置く透過配置は、気泡・大きな異物・脈理を捉える基本だと考えます。光が瓶を透過してくる中で、屈折率差のある欠陥が暗点・明点として現れます。ただし瓶の曲面自体が周辺を暗く落とすため、照明の均一性とカメラのダイナミックレンジ確保が課題になりやすいと考えられます。着色瓶では透過光量が落ちるため、波長や光量の調整が要ることもあります。
クラックや口部の欠けは、暗い背景に対して欠陥だけが光る暗視野（ダークフィールド）配置が有効な場面が多いと考えます。正常面では光がカメラに返らず暗く写り、破断面や欠けのエッジだけが散乱光を返して明るく見える、という原理です。角度依存性が強いので、複数方向からの照明や、リング照明の角度設計が鍵になると考えられます。
円筒形のボディは一視点では裏側が見えません。瓶を回転させながら複数枚を撮る、あるいは複数カメラで全周を分担する構成が一般的だと考えます。回転検査では、タクトタイム（生産速度）と撮影枚数のトレードオフ、回転ブレや位置決め精度が画質に効いてきます。底面・肩・ネック・口部はそれぞれ別の視点・別の照明が要ることが多く、検査ステーションを部位ごとに分ける設計も検討に値すると考えます。
結局のところ、ガラス容器の総合検査は「複数の撮像モードで撮った複数視点の画像を、欠陥タイプごとの判定器に流し、最後に総合合否を出す」という多段構成になりやすいと考えます。これはエッジ側の処理負荷やライン制御との連携が必要になるため、撮像だけでなく エッジAIの後付け導入 やライン同期の設計も合わせて考えることが現実的だと考えられます。設計段階でどの欠陥をどのモードで担保するかを表に落としておくと、後段のAI判定の役割分担も明確になると考えます。
撮像で欠陥を見えるようにできたら、次は判定です。ここで「全部AIに任せる」と考えるのは、透明体では特にリスクが高いと考えます。むしろ、安定して切れる部分は古典的な画像処理（ルールベース）で前処理・絞り込みを行い、ばらつきが大きく多様な部分にAIを充てる、という役割分担が有効だと考えられます。
瓶の位置・回転姿勢を画像内で正規化し、検査領域（ROI）を口部・ネック・肩・ボディ・底に分割するのは、ルールベースが得意とする部分だと考えます。曲面に由来する周辺減光の補正、正常な反射パターンのマスク、エッジ抽出といった前処理を入れることで、後段のAIが「欠陥かどうか」に集中できる状態を作れると考えられます。透明体では、この正規化の丁寧さが最終精度を大きく左右する可能性が高いと考えます。
気泡か正常反射か、口部の欠けか光沢ムラか、といった「見た目は似ているが意味が違う」判定は、人手で閾値を切るのが難しく、ディープラーニングの分類・検出が寄与しやすい領域だと考えます。欠陥の多様性（サイズ・形・位置のばらつき）が大きいほど、固定ルールでは表現しきれず、学習ベースの判定が有利になる傾向があると考えられます。一方で、学習には正常・欠陥双方の十分なサンプルが要り、希少欠陥のデータ不足が課題になりやすい点には注意が必要です。当社の VLMとディープラーニングの比較 でも触れているとおり、手法選定は欠陥の性質とデータ事情から逆算するのが妥当だと考えます。
VLMは、欠陥の有無だけでなく「どんな状態か」を言語的に記述できる点に特徴があります。多品種で基準が言葉で定義されるような検査、あるいは刻印・ロット印字の読み取りと外観判定を一体で扱いたい場面では、エッジVLM-OCR のような構成が選択肢になりうると考えます。ただし、微小欠陥の高精度な定量判定は専用の検出モデルの方が安定する場面も多く、VLMを万能とは見ないことが大切だと考えられます。
透明体検査では、正常な反射やムラを欠陥と誤る過検出（フォールスコール）が起きやすいと考えます。過検出が多いと現場が検査機を信用しなくなり、結局は全数を人が再確認する事態に陥りかねません。逆に見逃しは品質事故に直結します。閾値や判定器を「攻めすぎず緩めすぎず」現物データで調整し、グレーゾーンは人の確認に回すといった運用の作り込みが、技術選定と同じくらい重要だと考えます。過検出削減の考え方そのものは AI検査PoCが失敗する理由 で整理した論点とも通じます。
検査の原理が成立しても、実生産ラインに載せられなければ意味がありません。ガラス瓶・容器のラインは高速で流れることが多く、検査機は搬送・選別・既存設備と協調して動く必要があると考えます。ここでは運用視点での論点を整理します。
全周・全部位を多視点で撮ろうとすると撮影枚数が増え、1本あたりの処理時間が伸びます。生産速度（タクト）が速いラインでは、必要な視点に絞る、複数カメラで並列化する、回転速度と露光を最適化するといった工夫で時間内に収める設計が要ると考えます。「理想的な全網羅」と「ラインに載る現実解」の折り合いを、現ラインの速度を前提に詰めることが重要だと考えられます。
透明体検査は撮像条件に敏感なため、搬送中の振動・傾き・位置ばらつきが画質を直接劣化させます。安定した位置決めや、ブレを抑える露光・照明同期は、検査精度を支える土台だと考えます。既存のコンベアやスターホイールにどう撮像ステーションを組み込むかは、機械設計と一体で考える領域であり、ハードウェア統合 の知見が効いてくると考えられます。
検査結果は、不良品の排出（リジェクト）機構やライン制御に渡して初めて価値になります。判定結果をPLCや既存の制御系へ確実に伝え、誤排出・取りこぼしを防ぐ連携が必要だと考えます。この部分は PLCとAIの連携 の考え方が参考になります。検査機を「賢い目」として孤立させず、ライン全体の選別フローに組み込む設計が運用安定の鍵だと考えられます。
工場環境では、外光の差し込み、照明の経時劣化、レンズやカバーガラスの汚れ、温度変化などが画質に影響します。透明体検査はこうした変動の影響を受けやすいため、定期的な校正・清掃と、画質のモニタリングを運用に組み込むことが望ましいと考えます。当社の 運用モニタリング のように、稼働後の状態を継続的に見る仕組みを最初から設計に含めておくと、精度の経年劣化に早く気づけると考えられます。
これまでの論点を踏まえ、ガラス瓶・容器の検査AI導入で実際につまずきやすいポイントを、チェックリストとして整理します。いずれも「技術が悪い」というより「前提の置き方」でつまずく類のものだと考えます。
これらは 目視検査をAIで置き換える 際の一般的な注意点とも重なりますが、透明体ではどれも影響が増幅される傾向があると考えます。導入の初期段階で、これらを一つずつ現物で確認しておくことが、後戻りを減らす近道だと考えられます。
最後に、ガラス瓶・容器の欠陥検査AIをどのように進めると現実的か、段階的なロードマップとして整理します。透明体検査は机上の議論では精度を約束できない領域であり、現物・現ラインでの検証を軸に据えることが何より重要だと考えます。
まず「どの欠陥を、どの基準で不良とするか」を、現物のサンプルを見ながら定義することから始めるのが妥当だと考えます。気泡なら許容サイズ・位置、口部欠けなら許容範囲、といった合否基準を、できれば良品・不良品の実物を並べて言語化・画像化します。希少欠陥のサンプルは意識して集めないと揃わないため、この段階で収集計画を立てておくことが望ましいと考えられます。
定義した欠陥が「実際に画像で見えるか」を、欠陥タイプごとの撮像で確認します。透過・暗視野・多視点を試し、どのモードでどの欠陥が安定して写るかを切り分けます。ここで見えない欠陥は、後段のAIをどれだけ頑張っても安定して捕まえられない可能性が高いため、撮像段階での見極めが決定的だと考えます。
見える状態が作れたら、ルールベースの前処理とAI判定を組み、現物データで過検出と見逃しのバランスを調整します。PoC（実証）コンサルティング の枠組みのように、小さく検証して評価指標で良し悪しを判断し、改善を回す進め方が現実的だと考えられます。AI検査の費用対効果の考え方は ROI計算 も参考になります。
判定が安定したら、搬送・選別・既存設備との連携を含めてラインに実装し、環境変動への耐性とモニタリングを組み込みます。導入して終わりではなく、稼働後に精度を維持・改善し続ける運用までを設計に含めることが、長く使える検査機の条件だと考えます。
当社 Nsight には、キーエンス画像処理事業部出身の監修者が在籍しており、産業用画像検査の撮像設計から現場実装までの知見を踏まえて、こうした透明体検査の難所を一緒に整理してまいります。ただし、ガラス瓶・容器の検査は品種・欠陥・ライン条件によって最適解が変わるため、本記事の内容も一般論として受け取っていただき、最終的な可否や精度は現物・現ラインでの検証を通じて一緒に確かめていくことを前提にしていただければと考えます。まずは実際のサンプルを拝見し、どの欠陥がどう見えるかを確認するところからご一緒できればと考えます。AI外観検査サービス の枠組みの中で、貴社のガラス容器に即した検討を進めてまいります。
完結しにくいと考えます。気泡は透過照明、クラックや口部欠けは暗視野照明と、欠陥タイプごとに有効な撮像条件が異なるためです。さらに円筒形のボディは一視点では裏側が見えず、回転や複数カメラでの全周カバーが必要になることが多いと考えられます。実際には複数の撮像モード・視点を組み合わせ、部位ごとに検査ステーションを分ける多段構成になりやすいです。最適な構成は品種と欠陥基準によって変わるため、現物での確認が前提だと考えます。
原理は共通しますが、そのまま横展開できるとは限らないと考えます。着色瓶は光の透過量が落ちるため、無色透明瓶で成立した照明・露光条件を再調整する必要が生じやすいです。透過照明で気泡を見る場合は特に光量や波長の検討が要ることがあります。品種ごとに見え方が変わる前提で、それぞれ現物で確認しながら条件を詰めていくのが現実的だと考えられます。
難しい場合が多いと考えます。クラックや口部欠けのような希少欠陥は発生頻度が低く、学習・検証に使える実物サンプルが集まりにくいためです。データが不足したまま高精度を見込むと、運用後に見逃しや過検出として表面化しやすいです。希少欠陥のサンプル収集は早い段階から計画的に進めること、そしてルールベースの前処理と組み合わせて安定部分を補強することが有効だと考えられます。
透明体検査では過検出が起きやすいのは事実だと考えます。正常品でも反射ムラや微小なシードの個体差があり、それを欠陥と誤りやすいためです。対策としては、正常のばらつきの幅を現物で押さえること、撮像段階で正常な反射をなるべく抑える照明設計をすること、そしてグレーゾーンを人の確認に回す運用を設計に含めることが挙げられます。許容できる過検出率を先に決めておくことが重要だと考えます。
現物のサンプルを使った欠陥定義と、撮像での見え方確認から始めるのが妥当だと考えます。机上では透明体検査の精度を約束できないため、まず実際の良品・不良品を見て合否基準を言語化し、欠陥タイプごとにどの撮像で見えるかを切り分けます。そこからルール＋AIの判定を現物データで調整し、ライン実装へと段階的に進めるのが現実的です。Nsightでは元キーエンス出身の監修者とともに、この検証を一緒に進めてまいります。
気泡・クラック・口部欠けがどう見えるかは、実際のサンプルを撮ってみないと分かりません。元キーエンス画像処理事業部出身の監修者とともに、貴社のガラス瓶・容器に即した撮像と判定の検討を、現物検証から始めます。
現物サンプルで相談する