画像処理入門｜製造業エンジニアが知るべき基礎知識

このシリーズの目的

「画像処理」と聞くと難しそうに感じるかもしれませんが、製造業の検査・計測で使う技術は実は限られています。本シリーズでは、数式を最小限に抑え、すべて検査現場の実例で説明します。全3回の構成で、最終回まで読めば画像処理システムの選定・導入判断ができるレベルになります。

• 第1回（本記事）：画像の基本（画素・解像度・色空間）と前処理（二値化・フィルタ）
• 第2回：検査で使う画像処理（エッジ検出・パターンマッチング・ブロブ解析）
• 第3回：AI画像処理（Deep Learning・VLM）と従来画像処理の使い分け

画像の基本 — 画素・解像度・色空間

画素（ピクセル）とは

デジタル画像は小さな点（画素＝ピクセル）の集合体です。1つの画素は1つの明るさ（グレースケールの場合）または3つの色情報（カラーの場合：R・G・B）を持ちます。画素が細かいほど画像は精細になり、小さな欠陥を検出しやすくなります。

解像度の考え方

外観検査で最も重要な数値は「1画素あたり何mmか」です。これを「空間分解能」と呼びます。

目安として、検出したい最小欠陥が3画素以上になるようにカメラの解像度と視野を設計します。これが画像処理システム設計の出発点です。

色空間 — グレースケール vs カラー

外観検査では、グレースケール（白黒）で十分なケースが8割以上です。キズ・欠け・異物の検出は明暗のコントラストで判定するため、色情報は不要です。色が検査基準に含まれる場合（色ムラ、焼き色、印刷色の判定）のみカラーカメラを使います。

前処理の重要性 — 照明→前処理→判定のフロー

画像処理による検査の精度は「撮像→前処理→判定」の3段階で決まりますが、精度への寄与は照明が50%、前処理が30%、判定アルゴリズムが20%というのが現場の実感です。

つまり、いくら高度なアルゴリズムを使っても、照明と前処理が不適切なら良い結果は出ません。逆に、照明を最適化し前処理を適切に施せば、シンプルな二値化だけで十分な精度が出るケースが大半です。

前処理パイプラインの実例

金属部品のキズ検出を例に、実際の前処理パイプラインを示します。

1. 照明の安定化：同軸落射照明で金属表面を均一に照射。表面の反射ムラを最小化。
2. 濃淡補正（シェーディング補正）：照明ムラや光学系の周辺光量落ちを補正し、画像全体の明るさを均一化。
3. ガウシアンフィルタ（3×3）：微小ノイズを除去。カーネルサイズは欠陥より小さくするのが鉄則。
4. 差分処理：基準画像（良品画像）と撮像画像の差分を取り、正常な模様やエッジを消去。キズだけが浮き上がる。
5. 二値化（大津の方法）：差分画像を二値化し、キズ領域を白、背景を黒に分離。
6. 膨張・収縮処理：二値化後のノイズ（孤立点）を除去し、キズ領域の境界を滑らかに。
7. ブロブ解析：白領域の面積・形状を計測し、面積閾値以上をNG判定。

前処理 — 撮像した画像を「検査しやすく」する

二値化（しきい値処理）

グレースケール画像の各画素を、設定した閾値（しきい値）より明るければ白、暗ければ黒に変換します。外観検査で最も頻繁に使う処理であり、良品/不良の判定の基本です。

閾値の設定方法：

• 固定閾値：照明条件が安定している場合に使用。最もシンプルで高速。
• 大津の方法（自動閾値）：画像の明るさ分布から最適な閾値を自動計算。照明が多少変動しても安定。
• 適応的閾値：画像内の領域ごとに閾値を変える。照明ムラがある場合に有効。

フィルタ処理（ノイズ除去）

撮像した画像にはノイズ（本来存在しない微小な明暗変動）が含まれます。ノイズが多いと誤検出の原因になるため、フィルタ処理で除去します。

検査で使う基本処理 — 二値化・エッジ検出・テンプレートマッチングの使い分け

二値化 → ブロブ解析

画像内の明暗が急激に変化する箇所（エッジ＝輪郭）を検出します。寸法測定、位置決め、欠けの検出に使われます。

使う場面：異物検出、面積測定、個数カウント。対象物と背景のコントラストが明確な場合に有効。例えば、白い基板上の黒い異物、金属表面のキズ（照明で明暗が出る場合）に適用する。

エッジ検出

画像内の明暗が急激に変化する箇所（エッジ＝輪郭）を検出します。代表的なアルゴリズムはSobel法とCanny法です。

使う場面：寸法測定（エッジ間の距離を計測）、欠けの検出（輪郭の途切れを検知）、位置決め（部品の端を基準にする）。金属部品の外形寸法検査、樹脂成形品のバリ・欠け検出で頻繁に使われる。

パターンマッチング（テンプレートマッチング）

登録した基準画像（テンプレート）と撮像画像を比較し、一致する位置を検索します。位置決め（アライメント）、異品検出、欠品検査に使われます。製造業で最も使用頻度が高い処理の一つです。

使う場面：組立工程での部品の有無確認、品種識別（正しい部品が正しい位置にあるか）、印字・ラベルの位置確認。「あるべきものが、あるべき場所にあるか」を確認する検査全般に使う。

使い分けの指針

初学者がつまずく3つのポイント

①照明を軽視する

画像処理を学び始めると、アルゴリズムに意識が向きがちですが、検査精度の50%は照明で決まります。同じ製品でも照明の当て方を変えるだけで、キズが見えたり見えなかったりします。照明選定の知識なしに画像処理だけで精度を出そうとすると、パラメータの泥沼にはまります。

②閾値をハードコードする

二値化の閾値を「128」のような固定値で決め打ちすると、照明条件や製品ロットが変わった瞬間に検査が破綻します。大津の方法（自動閾値）を基本とし、それでも対応できない場合に適応的閾値を検討するのがセオリーです。固定閾値は、暗箱のように照明条件が完全に制御された環境でのみ使います。

③前処理なしでいきなり判定する

撮像した画像をそのまま二値化やエッジ検出にかけると、ノイズや照明ムラの影響で誤検出が頻発します。必ずフィルタ処理→濃淡補正→必要に応じて差分処理という前処理ステップを入れることで、判定アルゴリズムの精度が劇的に向上します。前処理は「検査の地味な裏方」ですが、精度への影響は最も大きい。

まとめ：画像処理の基本は「撮る→前処理→判定」

製造業で使う画像処理の基本フローは3ステップです。①適切な解像度・照明で撮像する、②二値化・フィルタで前処理する、③エッジ検出・パターンマッチング・ブロブ解析で判定する。精度への寄与は照明50%、前処理30%、アルゴリズム20%。アルゴリズムの前に照明と前処理を最適化するのが、画像処理システムを成功させるための鉄則です。

次回は各検査処理の具体的な設定方法と、現場でよくあるトラブルの対処法を解説します。

よくある質問