検査精度を左右する前処理。膨張・収縮・濃淡補正・差分処理の原理と使い分け。
画像処理の基本は「綺麗な画像を撮ること」です。しかし、それだけでは検査が安定しないケースがあります。前処理フィルターを適用することで、背景のノイズを除去したり、欠陥を強調したりして、検査に最適な画像に加工できます。
3×3の領域で最も明るい画素に置き換え。黒いノイズを除去し、白い欠陥を強調します。
3×3の領域で最も暗い画素に置き換え。白いノイズを除去し、黒い欠陥を強調します。
3×3の領域の平均値に置き換え。ノイズを抑え、輪郭を滑らかにします。
3×3の領域の中央値に置き換え。輪郭形状を保ったまま、ノイズの影響を抑えます。
ソーベル、プレヴィット、ラプラシアン等。明暗の変化を検出して輪郭を強調します。
特定の階調の濃淡差を強調。コントラストの低い対象を検出しやすくします。
外観検査で最もよく使われる前処理の一つです。ハレーション（照明の映り込み）や背景の模様の影響を軽減し、欠陥のみを浮かび上がらせます。
原理は「入力画像から推定背景画像を作り、入力画像から推定背景画像を引く」というシンプルなもの。曲面のワークなど陰影が発生しやすい検査対象で特に効果を発揮します。
登録した良品画像と入力画像を重ね合わせ、差分を取ることで変化した箇所だけを抽出します。汚れ、欠け、変形など「良品から変化した部分」を検出したい場合に有効です。
一つの前処理だけで解決しない場合、複数のフィルターを重ねて使います。例えば「ぼかし→濃淡補正」の組み合わせで、細かいノイズを消しつつ、急峻なコントラスト変化だけを抽出できます。
Nsightは元キーエンス画像処理部門のメンバーが在籍しており、検査対象と欠陥の特性に合わせた前処理の設計が強みです。適切な前処理を施すことで、AIに頼らずともルールベースで安定検出できるケースも多く、結果としてシステムコストを抑えられます。
※ 上記はあくまで一般的な目安です。実際の費用は検査内容・ライン構成により異なります。
ルールベース＋従来AIで検査を行い、VLMは「学習コストを下げる武器」として裏方で活用します。NG画像生成・アノテーション自動化・ブラウザベースの学習機能の3つをパッケージ化していく方針です。これらの機能により、お客様にとっての使いやすさを高めると同時に、各現場の検査データを蓄積できる構造を作ります。
賞味期限・ロット番号・産地情報等の日本語テキストを読み取り、マスターデータと照合する用途です。VLMが学習なしで文字の位置と意味を理解するため、品種が変わっても設定変更なしで対応可能です。
サンプル画像をお送りいただければ、検査精度の無料検証を実施します。
無料サンプル検証を依頼する →AIモデルに入力する前の画像前処理は、検査精度を大きく左右します。ノイズ除去・コントラスト強調・正規化など、対象に応じた前処理設計が必要です。
| 対象 | 推奨パイプライン |
|---|---|
| 金属表面 | 偏光分離→ノイズ除去→エッジ強調 |
| 透明素材 | 背景差分→ノイズ除去→コントラスト強調 |
| 食品包装 | 色変換→ヒストグラム均等化 |
| 樹脂表面 | 多角度合成→ノイズ除去 |
古典的画像処理で取れるノイズはAI前で除去し、AIには「本当にAIでしか判別できない」特徴のみを渡す設計が、精度と速度の両立に有効です。
対象別の前処理パイプライン設計例を示します。金属表面では「偏光分離→ノイズ除去→エッジ強調→AI判定」、透明素材では「背景差分→ノイズ除去→コントラスト強調→AI判定」、食品包装では「色変換→ヒストグラム均等化→AI判定」、樹脂表面では「多角度合成→ノイズ除去→AI判定」が標準的な構成です。対象特性に応じたパイプライン選定が精度を決定します。
前処理パイプラインは導入後も継続改善が必要です。新しい不良パターン発見時、季節変動への対応、撮像環境の経時変化への対応など、運用中に発見される課題への継続改善が、長期精度維持の鍵となります。月次レビューでパイプラインの効果測定を実施することが推奨されます。
専門性が高いため、撮像系設計は経験豊富なパートナーへの外注を推奨します。
ワーキングディスタンスと視野サイズを先に確定し、その条件に合う焦点距離のレンズを選びます。