金属部品の表面欠陥（傷・打痕・めっきムラ・錆・バリ）検査が難しいのは、光沢と反射、そして欠陥の微細さに理由があります。照明・撮像条件の設計を起点に、画像AI・VLMがどこまで判定に寄与しうるかを、現物検証を前提に解説します。
金属部品の外観検査は、製造業の品質保証のなかでも特に難度が高い領域の一つだと考えられます。樹脂成形品や紙・フィルムのような拡散面と違い、研磨された金属やめっき面は光沢が強く、照明を鏡のように反射します。この「反射する」という性質そのものが、傷・打痕・めっき不良の検出を構造的に難しくしている、と私たちは捉えています。
表面の微細な傷や打痕は、深さや幅が数十マイクロメートル単位のことも珍しくありません。こうした欠陥は、色や大きさといった分かりやすい特徴ではなく、「周囲と光の反射の仕方がわずかに違う」という形で現れます。傷の側面が光を別方向へ散らす、打痕のへこみが照明の映り込みを歪める——つまり見えているのは欠陥そのものではなく、欠陥が作り出す反射のムラだと考えられます。
そのため、同じ部品・同じ欠陥でも、照明の角度や位置が少し変わるだけで「くっきり見える」状態から「ほとんど見えない」状態まで振れてしまいます。検査の安定性が撮像条件に強く依存する、というのが金属表面検査の出発点にある難しさです。
現場では、検査員が部品を手で傾けながら蛍光灯や検査灯にかざし、反射の変化で欠陥を探す、という方法が広く行われています。熟練した検査員はこの「かざし方」によって光を巧みに使い分けており、その技能自体が品質を支えています。一方で、この方式にはいくつかの構造的な限界があると考えられます。
検査の属人化やばらつきの問題は金属部品に限った話ではなく、目視検査の限界と解決アプローチとして多くの現場で共有されている課題でもあります。本記事では、その中でも特に「金属の光沢面」という条件が検査をどう難しくしているか、そしてそこに画像AIがどう寄与しうるかに焦点を当てて整理します。
「表面欠陥」と一括りにされがちですが、実際には発生原因も見え方もまったく異なる複数の欠陥が含まれます。検査設計を考えるうえでは、まずこれらを別種の問題として分けて捉えることが重要だと考えられます。
搬送・加工・梱包の各工程で、他の部品や治具との接触によって生じる線状の欠陥です。方向性を持つことが多く、照明の向きと傷の向きの関係によって見え方が大きく変わります。傷に対して光を斜めから当てると側面が光を散らして強調されますが、傷と平行な方向から照らすとほとんど見えなくなる、といった指向性があるため、照明設計が特に効いてくる欠陥だと考えられます。
落下や衝突、部品同士のぶつかりで生じる局所的な凹みです。傷のような明確なエッジを持たず、なだらかなへこみであることも多いため、面の映り込み（鏡面反射像）の歪みとして観察するアプローチが有効な場合があります。微小な打痕は、拡散照明では平坦に見えてしまい、かえって見つけにくいことがあります。
めっき厚の不均一、ピンホール、変色、密着不良などが含まれます。これらは傷や打痕のような「凹凸」ではなく、主に「色味・明るさ・光沢の面的なムラ」として現れます。形状欠陥とは見えるメカニズムが違うため、同じ照明・同じ判定ロジックで傷とめっきムラを同時に捉えようとすると、どちらかに無理が生じやすいと考えられます。
保管環境や時間経過で進行する欠陥で、色情報が判定の手がかりになります。初期の錆は微妙な色変化として現れるため、カラー情報や照明の演色性（光源の色再現性）が検出可能性に影響しうる点に注意が必要です。
切削・打ち抜き・成形時に生じる微小な突起です。エッジ部に発生することが多く、寸法精度の問題と隣り合わせになります。表面欠陥としての外観評価と、寸法検査の観点の両方が関わる領域で、検査の目的（外観品質か、後工程での干渉か）によって許容基準が変わってきます。
このように、欠陥種ごとに「どう光を当てれば差が出るか」「何を手がかりに判定するか」が異なります。一つの万能な設定で全部を捉えようとするのではなく、対象部品でどの欠陥が問題になるのかを切り分けることが、検査設計の最初の一歩になると考えられます。
金属表面検査において、私たちが最も強調したいのは「AIアルゴリズムより前に、撮像条件で勝負の大半が決まる」という点です。どれほど高度な画像AIを用いても、撮像の段階で欠陥が写っていなければ、そこから欠陥を判定することは原理的にできません。逆に、欠陥が安定して写る撮像条件を作れれば、判定側の負担は大きく下がると考えられます。
金属の光沢面では、照明の「角度・方向・拡散度・色」のすべてが見え方に影響します。欠陥の種類に応じて、たとえば次のような照明手法が検討されます。いずれも一般論であり、最適解は対象部品ごとに現物で確かめる必要があります。
重要なのは、「欠陥を強調する照明」と「欠陥を隠してしまう照明」が、欠陥種ごとに異なるということです。傷を強調するローアングル照明が、めっきの色ムラには不向きということも起こり得ます。だからこそ、何を検出したいのかを定義してから照明を設計する順序が大切だと考えられます。
照明と並んで、レンズの選定（分解能・被写界深度・テレセントリック性）、カメラの解像度、ワークの保持・搬送時の振動や位置ばらつき、外乱光の遮蔽なども、検出の安定性に直結します。微細な傷を捉えるには、欠陥サイズに対して十分な画素分解能が必要で、ここが不足していると「写っているはずなのに判定できない」状態になります。
こうした撮像系の作り込みは地味で手間がかかりますが、検査の信頼性を支える土台です。私たちは、AI導入の相談を受けた際にも、まずこの撮像条件の検証から入ることを基本にしています。工程全体の状態を客観データで捉える工程の可視化という観点とも、入口は共通していると考えています。
撮像条件を整えたうえで、次に判定の方法を考えます。従来の外観検査では、明るさの閾値やブロブ（領域）の面積、エッジの強さといったルールを人が設計する方式が広く使われてきました。条件が安定し、欠陥の特徴が明確な対象では、この方式は今も有効です。一方、金属表面欠陥の多くは、ルール設計だけでは捉えきれない難しさを持つと考えられます。
傷・打痕・めっきムラ・錆は、形・大きさ・濃淡・方向がさまざまで、「これ以上の面積なら不良」といった単純な閾値に落とし込みにくい欠陥です。さらに、金属表面には正常な加工痕（ヘアライン、切削目、ロット差による色味の違い）が存在し、これらを欠陥と区別する必要があります。閾値を厳しくすれば正常品を不良と誤判定（過検出）し、緩めれば欠陥を見逃す——このトレードオフの調整に膨大な工数がかかるのが、ルールベースの典型的な悩みだと考えられます。
これに対し、良品・不良品の画像を学習する画像AI（ディープラーニングによる分類・領域抽出・異常検知など）は、人が明示的にルール化しにくい「正常のばらつきの範囲」と「欠陥らしさ」を、データから捉えうる点に特徴があります。特に、正常品の画像を多く学習し、そこから外れたものを異常として検出する「異常検知型」のアプローチは、不良サンプルが集めにくい現場と相性が良い場合があります。
ただし、画像AIも撮像条件が破綻していれば学習・判定は安定しません。「写っていない欠陥」は学習しようがないからです。AIはあくまで、適切に撮像された画像の中で判定の幅を広げる手段であり、撮像設計を代替するものではない、という位置づけで捉えることが現実的だと考えています。外観検査自動化の全体像については、外観検査自動化の進め方ガイドも併せてご参照ください。
近年は、画像とテキストを統合的に扱うVLM（Vision Language Model）の活用も検討の対象になりつつあります。VLMは、欠陥の有無を分類するだけでなく、「どこに・どのような異常があるか」を言語的な手がかりとともに扱える可能性があり、多品種少量の現場や、欠陥の種類が多く事前にすべてを定義しきれない対象で、柔軟性を発揮しうると考えられます。
もっとも、VLMは発展途上の技術であり、産業検査が求める安定性・再現性・速度の要件を満たすかは、対象ごとに検証が必要です。私たちはこの領域を有望と捉えつつも、過度な期待で語るのではなく、現物での検証を通じて適用可否を一つずつ確かめる姿勢が大切だと考えています。
検査システムは、導入して終わりではなく、運用に乗って初めて価値を生みます。金属表面検査をAIで運用していくうえで、設計段階から考えておきたい論点を整理します。
表面欠陥の難しさは、技術面だけでなく「どこからを不良とするか」という基準の曖昧さにもあります。同じ傷でも、外観部品なら不良、内部に隠れる部品なら許容、ということが起こります。AIに学習させる前提として、まず人の側で「この部品ではどの欠陥を、どの程度から不良とするか」を、良否の限度見本（限度サンプル）や画像で具体化する作業が欠かせません。この基準づくりは、これまで熟練検査員の頭の中にあった暗黙知を、組織の共有資産へと形式知化するプロセスでもあると考えられます。
画像AIによる検査の利点の一つは、判定の根拠となる画像と結果を自動で記録・保存できる点にあります。目視では残らなかった「いつ・どの部品を・どう判定したか」がデータとして蓄積され、後からの検証、顧客への品質説明、傾向分析に活用しうると考えられます。これは、属人的な検査では得にくかった客観性をもたらします。
検査システムは、立ち上げ直後から完璧に動くわけではありません。実運用のなかで過検出（正常品を不良と判定）や見逃しの傾向を観察し、判定のしきい値や学習データを継続的に調整していく前提で設計することが現実的だと考えられます。特に金属部品では、ロット差や材料・前工程の変動によって正常品の見え方自体が変わることがあるため、立ち上げ後のモニタリングと再学習の運用を織り込んでおくことが重要です。
どれだけ良い仕組みでも、現場の検査員や品質担当が使いこなせなければ定着しません。判定がNGになったときの再確認フロー、装置の日常点検、照明や治具の劣化への対応など、人の運用と組み合わせて初めて安定稼働すると考えられます。技術と現場運用の両輪で考える姿勢が、結果的に長く使える検査につながると私たちは捉えています。
これまで多くの現場で語られてきた、金属表面検査の自動化でつまずきやすい典型的な落とし穴を整理します。事前に把握しておくことで、導入検討の精度を高められると考えられます。
これらの多くは、技術そのものより「設計の順序」と「現場条件の織り込み」に起因します。逆に言えば、最初の検証設計を丁寧に行うことで、回避できる落とし穴が少なくないと私たちは考えています。
最後に、金属部品の表面欠陥検査にAIを取り入れる際の、現実的な進め方を整理します。私たちが一貫して重視するのは、机上の議論ではなく、自社の現物・現場での検証から始めるという姿勢です。
対象部品で問題になる欠陥（傷か、打痕か、めっきか）を絞り込み、良否の限度見本や画像で基準を具体化します。ここが曖昧なまま技術検討に進むと、後で必ず手戻りが生じます。
実際の部品を使い、照明・光学・カメラの条件を変えながら、欠陥が安定して写るかを確かめます。この段階で「写る撮像」が作れるかどうかが、プロジェクト全体の成否を大きく左右すると考えられます。サンプル数や条件の振り方も、ここで計画します。
整えた撮像の上で、画像AIやVLMによる判定を小規模に試し、過検出・見逃しの傾向を確認します。同時に、記録・再学習・現場運用までを見据えた設計に落とし込んでいきます。スモールスタートで確かめてから広げる進め方が、リスクを抑えやすいと考えられます。検査単体に閉じず、工程全体の可視化と接続することで、品質データを改善活動につなげる発展も検討できます。
Nsightは、元キーエンス画像処理事業部で照明・光学・検査システムに携わった監修者の知見を土台に、金属表面のような難度の高い検査に向き合っています。表面欠陥検査は、カタログスペックや一般論だけでは適用可否を判断しきれない領域です。だからこそ私たちは、「自社の部品で本当に欠陥が写るのか」「どの欠陥がどこまで判定できるのか」を、現物・現場での検証を通じてお客様と一緒に確かめることを基本にしています。具体的な部品をお持ちであれば、まずは撮像の可否から確認するところを出発点にすることをおすすめします。金属部品検査の取り組みは金属部品の外観検査ソリューションでも紹介しています。
金属、特に研磨面やめっき面は光沢が強く、照明を鏡のように反射するためです。傷や打痕は色や形ではなく「周囲との反射差」として現れるため、照明の角度や位置がわずかに変わるだけで見え方が大きく変わります。検査の安定性が撮像条件に強く依存する点が、拡散面の樹脂や紙より難しい理由だと考えられます。
そうとは言えないと考えています。AIは適切に撮像された画像の中で判定の幅を広げる手段であり、写っていない欠陥を判定することは原理的にできません。むしろ照明・光学・撮像条件の作り込みが土台であり、AIはその上に乗るものです。私たちは導入相談でも、まず撮像条件の検証から入ることを基本にしています。
対象によっては可能性があります。正常品の画像を多く学習し、そこから外れたものを異常として捉える「異常検知型」のアプローチは、不良サンプルが集まりにくい現場と相性が良い場合があります。ただし適用可否は撮像条件や欠陥の性質によるため、現物での検証を通じて確かめることが前提になります。
一つの照明・一つの判定ロジックで全てを最適に捉えるのは難しいと考えられます。これらは見えるメカニズムが異なる別種の欠陥で、強調する照明条件もそれぞれ違うためです。現実的には欠陥種を切り分け、必要に応じて複数照明・複数撮像を組み合わせる設計が検討されます。何を優先して検出したいかの定義から始めることをおすすめします。
自社の現物・現場での検証から始めることをおすすめします。具体的には、まず何を不良とするかを言語化・画像化し、次に実際の部品で欠陥が安定して写る撮像条件を詰め、その上で判定を小規模に試す、という順序が現実的です。Nsightでは元キーエンス画像処理事業部出身の監修者の知見を踏まえ、撮像の可否確認から一緒に進める進め方を基本にしています。
傷・打痕・めっき不良の検査は、自社の現物で撮像できるかが出発点です。具体的な部品をお持ちであれば、元キーエンス画像処理事業部出身の監修者とともに、撮像条件の検証からご一緒します。
現物での撮像検証を相談する