点灯/不点灯、輝度ムラ、色度ズレ、混色——発光体の検査は反射体の外観検査とは別物です。LED・表示部品の測光・測色検査をAIカメラで自動化する際の設計論点と落とし穴を、元キーエンス画像処理事業部出身の知見をふまえて整理します。
LEDチップ、LEDモジュール、各種インジケーター、セグメント表示器、小型ディスプレイ——これらに共通するのは「ワーク自身が光を出している」という点です。一般的な外観検査（金属部品の傷、樹脂成形のヒケ、印刷のカスレなど）は、外部から照明を当てて、ワーク表面で反射・散乱した光をカメラで受けます。つまり照明を設計者がコントロールできるのが前提でした。ところが発光体検査では、見たい対象そのものが光源です。照明条件を作り込むという発想がそのままでは通用しません。
この違いは、検査システムの設計順序を根本から変えると考えます。反射体の検査では「照明をどう当てるか」が要であり、画像処理はその後でした。発光体の検査では「カメラを測光・測色の道具としてどこまで信用できるか」が先に来ます。露出が変われば輝度の見え方が変わり、ホワイトバランスが変われば色の出方が変わります。AIで何かを判定する以前に、撮像系が測定器として再現性を持っているかが問われると考えます。
もう一つの難しさは、輝度も色度も最終的には人間の知覚に紐づく評価だという点です。製品が市場に出たとき、クレームになるのは「数値が規格外」よりも「並べたら一個だけ暗い」「ロットで色が違って見える」といった相対的・官能的な差であることが少なくありません。カメラのRAW値（センサーが受けた光量）と、人が感じる明るさ・色は線形には対応しません。だからこそ、測光量（カンデラ、ニトなど）や色度座標（CIE xy、u'v'）といった「人の見えに近い量」へ変換する設計が必要になると考えられます。
本記事では、LED・表示部品の検査を「点灯」「輝度」「色度」「混色」という観点で分解し、それぞれにAIカメラ・画像処理をどう当てるかを、設計と運用の両面から整理します。なお、電子部品全般の外観検査の総論は電子部品の外観検査で扱っており、本記事はそこから「発光体の測光・測色」に特化して切り出したものです。あわせて、ディープラーニングと従来手法の使い分けはVLMとディープラーニングの違いもご参照ください。
実務でつまずきやすいのは、これらをひとまとめに「点灯検査」と呼んでしまうことだと考えます。実際には、(1) 点くか点かないか・正しい色で点くか、(2) 規定の明るさが出ているか・ムラがないか、(3) 色座標が許容範囲か・隣接素子と混色していないか、は別の問題です。求められる撮像条件（露出時間、絞り、フィルタ）も、判定の難易度も異なります。後段の各セクションで、それぞれに分けて掘り下げます。
最も基本的で、かつ歩留まりに直結するのが点灯/不点灯の判定です。「点いているか、点いていないか」は一見単純ですが、現場では複数の不良モードが絡みます。完全な不点灯（断線・実装不良）、暗点灯（一部のチップだけ極端に暗い）、色違い点灯（赤のはずが緑、極性逆挿入による色変化）、ちらつき・間欠点灯などです。これらを取りこぼさない設計が、検査ラインの信頼性の土台になると考えます。
複数の発光素子が並ぶモジュールやセグメント表示では、「どの位置のどの素子を見ているか」を確実に対応づける必要があります。ワークの微妙な位置ズレ・回転があると、隣の素子を取り違える恐れがあります。AIによる物体検出で各素子の領域を切り出す方法もありますが、治具やマーカーで機械的に位置を固定したうえで、ROI（関心領域）を割り当てる古典的な手法のほうが、再現性の面で有利な場面も多いと考えます。ここはAIか従来手法かの二択ではなく、位置決めは幾何的に、判定は素子ごとに、と役割を分けるのが現実的だと考えられます。
完全な不点灯はしきい値で容易に切れますが、難しいのは「点いてはいるが暗い」素子です。これは輝度検査と地続きの問題で、点灯/不点灯の二値判定だけでは取りこぼします。設計としては、点灯判定の段階で「明らかな黒（不点灯）」「明らかに正常」「グレーゾーン（要輝度評価）」の三層に振り分け、グレーゾーンを後段の輝度・色度評価へ送る構成が扱いやすいと考えます。最初から全部を一つのモデルで完璧に判定しようとせず、確実に切れるところを先に切る——この層分けが、誤判定を減らす実務的な工夫だと考えられます。
2色LEDやRGB素子では、極性の逆挿入や配線ミスが「点灯はするが色が違う」という形で表れることがあります。つまり点灯検査と色検査は完全には分離できません。点灯の有無だけでなく「期待した色で点いているか」までを点灯検査の範囲に含めるかどうかは、製品の不良モードに応じて決める論点だと考えます。エッジ側でリアルタイムに判定する構成についてはエッジとクラウドの検査AI比較も参考になるかと思います。
輝度検査には二つの異なる要求があります。一つは「規定の明るさ（絶対輝度）が出ているか」、もう一つは「面内・素子間でムラがないか（相対輝度）」です。前者は測定の世界、後者はパターン認識の世界に近く、AIが効きやすいのは主に後者だと考えます。
カンデラやニト（cd/m²）といった絶対量を保証したい場合、カメラのセンサー値をそのまま使うことはできません。レンズの周辺減光、センサーの個体差、露出設定、経時変化などが絡むため、輝度計や標準光源によるトレーサブルな校正が前提になります。AIカメラはこの校正された測光量を入力として受け取る側であり、AI自体が絶対輝度を「測る」わけではない、という整理が安全だと考えます。絶対値の数値保証が要件なら、測色輝度計との併用や、定期校正の運用設計を最初から織り込むべきだと考えられます。
一方、「面光源に縞状のムラがある」「四隅が暗い」「特定の素子だけ浮いて見える」といったムラの検出は、人の目が敏感に反応するわりに単純なしきい値では切りにくい領域です。ここはAIや画像処理が貢献しやすいと考えます。ムラには空間周波数の特徴（細かい縞か、緩やかなグラデーションか）があり、平均輝度は規格内でもパターンとして気になる、というケースが官能評価でははじかれます。平均値ではなく分布・パターンを見るという発想が要だと考えます。
発光体は明るいため、露出を上げると簡単に白飛び（センサー飽和）します。飽和した画素は輝度情報を失うため、ムラも色も評価できません。逆に露出を下げすぎると暗部の情報が潰れます。ダイナミックレンジの設計——適切な露出、必要に応じてHDR的な多段露光、NDフィルタの活用——が、輝度検査の成否を分けると考えます。高輝度の発光体ほど、撮像条件の作り込みが判定アルゴリズム以上に効いてくる可能性が高いと考えられます。この撮像系の作り込みは、ハードウェア統合の領域として早い段階で詰めることをおすすめします。
反射体検査では環境光は照明の一部として扱えましたが、発光体検査では環境光はノイズです。外光の映り込み、隣のラインの照明、窓からの自然光が、輝度・色の測定に直接効いてきます。暗室化、遮光フード、あるいは外光を差し引く参照撮像など、環境光をどう排除するかは現場ごとの設計課題だと考えます。再現性の高い検査を目指すなら、ここを曖昧にしないことが重要だと考えられます。
色の検査は、発光体検査の中で最も奥が深い領域だと考えます。「赤が少しオレンジ寄り」「白色LEDが青みがかっている」「隣のセグメントの色が漏れて混ざっている」——これらはいずれも人の目には明確に分かるのに、RGB値の単純比較では安定して捉えにくい問題です。
カメラが出力するRGB値は、センサーのフィルタ特性・ホワイトバランス・ガンマ補正に依存し、機種が変われば同じ色でも違う値になります。色を評価するなら、CIE xy色度図やu'v'、あるいはL*a*b*といった機器に依存しにくい色空間へ変換して扱うのが筋だと考えます。さらに「人がどれだけ色差を感じるか」を表すΔE（色差）のような指標を使えば、判定基準を官能評価に近づけられる可能性があります。ただしカメラ→色度座標への変換には色校正（既知の色サンプルによるキャリブレーション）が必要であり、ここを省くと数値の意味が薄れると考えられます。
白色LEDでは、同じ「白」でも色温度や色度座標に幅があり、製造段階でランク分け（ビニング）されます。製品として並べたときに色が揃っていないとクレームになるため、色度座標が許容楕円（マクアダム楕円のような領域）に収まっているかの判定が求められることがあります。これはしきい値というより「2次元平面上で領域内か外か」の判定であり、色度座標へ正しく変換できていることが前提です。AIで官能差を学習させる前に、色空間の土台を固めることが先決だと考えます。
多素子モジュールやRGBディスプレイでは、隣接素子の光が漏れて混色する、あるいは特定チャンネルだけ点いて色がずれる、といった不良が起こり得ます。これは単一素子の色度評価だけでは捉えにくく、「素子間の関係」「空間的な色の広がり」を見る必要があります。素子ごとにROIを切って色を測りつつ、境界部の色の滲みを別途評価する、といった多層的な設計が要ると考えます。発光体の色は視野角によっても変わる（角度依存性）ため、撮像角度の固定も無視できない要素だと考えられます。
整理すると、色検査でAIが貢献しやすいのは「色度座標の数値だけでは割り切れない、人の見えに沿った微妙な良否」「複雑なパターンの混色・ムラ」だと考えます。一方、絶対的な色度の数値保証は測色計と校正の領域です。AIと測定器、どちらか一方ではなく、両者の役割を最初に線引きすることが現実的なアプローチだと考えられます。VLM（視覚言語モデル）を使った柔軟な判定の可能性についてはJetsonでのVLM活用でも触れています。
発光体検査の難所は、判定アルゴリズムよりも撮像系・環境・運用に潜むことが多いと考えます。経験上つまずきやすい点を挙げます。
これらはいずれも「AIの精度を上げれば解決する」類の問題ではなく、撮像と環境を測定器として整えることで初めて土俵に乗る話だと考えます。検査自動化の一般的な落とし穴は外観検査の限界と解決策、PoCが失敗する要因はAI検査PoCが失敗する理由もあわせてご覧いただくと、共通する勘所が見えてくるかと思います。
いきなり輝度・色度をフル自動で数値保証しようとすると、撮像系・校正・運用のすべてを同時に作り込むことになり、難度が跳ね上がります。段階を分けて進めるのが現実的だと考えます。
まずは歩留まりへの寄与が大きく、判定も比較的明快な点灯/不点灯・明らかな色違いから着手するのが入りやすいと考えます。この段階で位置決め・ROI割り当て・露出固定といった土台を固めておくと、後の輝度・色度評価が乗せやすくなります。
次に、絶対値ではなく「基準サンプルや素子間との相対比較」で輝度ムラ・色ズレを評価する段階に進みます。ここでAIや画像処理が官能評価に近い良否判定に貢献し得ます。基準となる良品・限度見本をどう設定するかが鍵で、現場の検査員が「これはギリOK／これはNG」と判断している境界を、データとして引き出す作業が要ると考えます。
数値保証・トレーサビリティが要件になる場合は、測色輝度計との併用や定期校正を組み込み、AIカメラの相対評価と測定器の絶対値を接続します。すべての工程で絶対測定が必要とは限らず、抜き取りで測定器、全数でAIカメラ、という役割分担も現実的だと考えられます。
どの段階でも共通するのは、検査基準を「人がどう見ているか」から逆算することだと考えます。検査自動化の全体像はFA向けAI自動化、PoCの進め方はPoCコンサルティングで整理しています。検査の置き換え全般の考え方は目視検査をAIで置き換えるもご参照ください。
LED・表示部品の検査自動化は、「点灯→輝度ムラ→色度・混色」と段階を踏みながら、撮像系を測定器として安定させていく道のりだと考えます。最後に、検討を前に進めるための視点を整理します。
最初に決めるべきは、その検査が絶対値の数値保証を要するのか、それとも人の見えに沿った良否判定で足りるのかです。前者は測色計・校正の世界、後者はAI・画像処理が効く世界です。この仕分けを曖昧にしたままシステムを組むと、AIに測定器の役割を期待してしまい、期待と結果がずれる原因になると考えます。仕分けが明確になれば、必要な機材・校正運用・AIの守備範囲が自然に定まってくると考えられます。
単一ラインで動いても、複数ライン・複数機種に広げる段階でカメラ機差・経時変化・基準サンプルの管理が課題になります。検査結果のログ化・運用モニタリングや、現場での基準更新・教育を含めて、運用を維持できる体制まで含めて設計することが、長く使える検査システムの条件だと考えます。エッジ側でのリアルタイム処理を前提にするなら、エッジAIレトロフィットのように既存ラインへ後付けする選択肢も検討に値すると考えられます。
発光体の測光・測色検査は、データセットやモデルの良し悪し以前に、撮像・照明遮断・校正という光学と測定の基礎が成否を大きく左右する領域だと考えます。Nsightには元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、こうした「アルゴリズムより前に効く撮像系の勘所」を実機ベースで確かめながら進めることを重視しています。LED・ディスプレイは品種・輝度・色のレンジが極めて広く、一般論だけで合否設計を固めることは難しいと考えます。だからこそ、貴社の実際のワーク・限度見本を持ち寄り、現物・現場での検証を通じて「どこまでがAIで切れて、どこからは測定器が要るか」を一緒に確かめることが、遠回りに見えて最も確実だと考えます。机上の仕様だけで判断せず、まず一度、現物で撮ってみるところから始めることをおすすめします。
理屈の上では一台で兼ねることも可能ですが、点灯・輝度・色度は求められる撮像条件（露出やダイナミックレンジ、色校正の有無）が異なるため、すべてを最適化しようとすると各項目が中途半端になる可能性が高いと考えます。まずは点灯/不点灯を確実に切り、輝度ムラ・色度は相対評価から段階的に乗せる構成が現実的だと考えられます。要件の優先順位と品種のレンジを踏まえて設計するのがよいかと思います。
AIカメラ単体で絶対値をトレーサブルに保証するのは難しいと考えます。絶対輝度・絶対色度は、輝度計や測色計、標準光源による校正の世界です。AIが効きやすいのは、しきい値では切りにくい輝度ムラや、人の見えに沿った微妙な色差といった相対的・官能的な判定です。数値保証が要件なら、測定器との併用や定期校正を運用に組み込み、AIと測定器の役割を分担させる設計をおすすめします。
既存ラインへの後付け（レトロフィット）は選択肢になり得ると考えます。ただし発光体検査では、外光の遮断・撮像角度の固定・露出やホワイトバランスの固定といった撮像環境の作り込みが精度を大きく左右します。後付けの場合、この光学・遮光まわりを既存設備にどう組み込むかが論点になります。現物での撮像テストを通じて、後付けで必要十分な条件が作れるかを確かめるのが安全だと考えられます。
ばらつきと不良の境界を引くこと自体は可能性がありますが、その前に「どこまでが許容ばらつきで、どこからが不良か」という基準を人が決める必要があると考えます。LEDは本来ある程度の明るさ・色のばらつきを持ち、点灯直後と安定後でも変化します。現場の検査員が限度見本で判断している境界をデータ化し、それをAIに学習・反映させる流れが現実的です。基準が曖昧なままだと過検出に陥りやすい点に注意が必要だと考えます。
まずは実際のワーク（良品・不良品・限度見本）と、現状どの項目をどんな基準で見ているかの情報があると話が早いと考えます。発光体検査は品種・輝度・色のレンジが広く、一般論だけで合否設計を固めるのは難しいため、現物を撮ってみて初めて見えてくる論点が多いです。Nsightでは元キーエンス画像処理事業部出身の監修者とともに、現物・現場での検証から無理のない範囲を一緒に見極めることを重視しています。
点灯・輝度ムラ・色度ズレ・混色——どこまでがAIで切れて、どこからは測定器が要るか。貴社の実際のワークと限度見本をもとに、元キーエンス画像処理事業部出身の監修者と現物検証から確かめます。
現物検証・相談を申し込む