塗装色の合否判定は「欠陥の有無」とは別問題です。色差(ΔE)・メタリック粒感・塗りムラを画像とAIでどう評価しうるか、限度見本との一致判定の設計と落とし穴、現物検証の進め方を、計測の前提から丁寧に解説します。
塗装品の検査というと、まずキズ・タレ・ブツ（異物）・ピンホール・色ハジキといった欠陥を思い浮かべる方が多いと考えます。これらは「あってはならないものが画面のどこかにある」という探索問題で、当社でも金属・塗装部品の欠陥検査の文脈でも扱ってきた領域です。一方で本稿が扱うのは、それとは性質の異なるもう一つの問い——「この塗色は、指定された色・調色と合っているか」という一致判定です。欠陥がゼロでも色が違えば不合格になりますし、逆に色が完璧でも欠陥があれば不合格です。両者は別の検査軸として分けて設計するのが見通しが良いと考えます。
欠陥検査は「正常からの逸脱」を探しますが、色の合否は限度見本（カラーマスター）という正解に対してどれだけ近いかを測る問題です。製造現場では塗料ロット、被塗物の素材、膜厚、焼付条件、ガンの距離や霧化の状態など多くの要因で色は微妙に振れます。その振れが「許容範囲の内か外か」を判定するには、まず色を再現性のある形で数値化し、見本との差を取れる状態を作る必要があると考えられます。ここが整理されていないまま「AIで色を見たい」と進めると、何と何を比べているのかが曖昧なまま精度議論に入ってしまいがちです。
熟練の検査員は微妙な色の振れを驚くほど敏感に見分けます。ただし人の色覚は照明・順応・体調・前に見た色（残像）に影響され、再現性という意味では不安定な側面もあります。さらに色覚特性には個人差があり、限度見本の解釈も人によって幅が出ます。だからこそ「限度見本」という物理的な基準を置いて運用するわけですが、見本自体も経年で退色しますし、複数拠点で同じ見本を共有するのは容易ではありません。この「人と見本に依存した運用をどこまで数値・画像で補助できるか」が、塗装色検査をAI・カメラで扱う出発点になると考えます。
欠陥を見るための照明（強い斜光やローアングルで微小な凹凸を浮かせる）と、色を正しく測るための照明（拡散した安定光で素の色を出す）は、しばしば相反します。指標も、欠陥は「面積・個数・コントラスト」で語れますが、色はL*a*b*やΔEといった測色の枠組みが必要です。つまり同じ塗装品でも、色の一致判定は専用の計測条件として切り出して設計するのが妥当だと考えます。本稿では、その色をどう数値化し、メタリックやムラのような「単純なΔEに収まらない外観」をどう扱いうるかを順に見ていきます。
「色が合っているか」を機械で判定するには、色を比較可能な数値にする必要があります。ここで前提を丁寧に押さえないと、後段のAIや閾値設計が砂上の楼閣になりかねません。順に整理します。
産業用カメラが出力するRGB値は、レンズ・センサーの分光感度・ホワイトバランス・ガンマ・照明の分光分布など、多くの要素を畳み込んだ結果です。同じ被塗物でも、照明が変われば・カメラが変われば・露出が変わればRGBは変わります。つまりRGBは絶対的な色の物差しではないと考えるのが安全です。色を相対比較したいなら、少なくとも撮影系（照明・WB・露出・距離・角度）を固定し、同じ画面内に色基準を置いて「見本とサンプルを同一条件で同時に、または直後に撮る」設計が現実的だと考えられます。
測色の世界では、人の色覚に近い形で色を表すL*a*b*色空間が広く使われます。L*が明るさ、a*が赤-緑、b*が黄-青の軸で、2色の差を距離として表したものがΔE（色差）です。ΔEが小さいほど「人の目に近く見える」とされ、ΔE2000のように人の感度の偏りを補正した式も普及しています。一般的な目安として、ΔEが1前後だと訓練された目で辛うじて差が分かる、数程度だと並べれば分かる、といった語られ方をしますが、許容ΔEは製品・色・部位・顧客要求で大きく変わるため、固定値を鵜呑みにせず限度見本から逆算するのが妥当だと考えます。
厳密な色管理には分光測色計が用いられます。これは決められた幾何条件で点（小さな円）の測色値を高精度に返す機器で、色そのものの基準づくりには欠かせません。一方カメラは面で・速く・全数で色の分布を捉えられるのが強みです。両者は競合ではなく補完で、測色計で限度見本の絶対値を押さえ、カメラ＋AIで生産ラインの面的なばらつき・部位差・ムラを連続的に監視する、という分担が現実的だと考えます。当社のAI外観検査でも、まず「何を絶対基準として、何を相対監視するか」を切り分けることから設計を始めるべきだと考えています。
カメラ画像から相対的な色情報を引き出すには、既知の色票（カラーチャート）を画面内またはライン上に置き、撮影ごとに色票の見え方から補正係数を求める運用が有効だと考えられます。照明の経時変化やランプ交換、カメラの個体差を、この色票が吸収してくれます。逆に色票キャリブレーションを省くと、「昨日はOKだった色が今日はNG」という季節要因・照明劣化由来の誤判定に悩まされる可能性が高いと考えます。色検査の信頼性は、派手なAIよりもこの地味なキャリブレーション運用に支えられている、というのが現場の実感に近いのではないでしょうか。
ソリッドカラー（単純な不透明色）であればΔEベースの議論で多くを語れますが、自動車外装・家電・化粧品容器などに多いメタリック・パール塗装は、そう単純ではありません。ここが塗装色検査のもっとも難しいところだと考えます。
メタリック塗装はアルミフレークなどの光輝材を含み、見る角度（受光・観察の幾何）によって明るさや色味が変わります。正面から見ると明るく、斜めから見ると暗く沈む、といったフロップと呼ばれる現象です。このため単一の視点・単一の照明角度で撮った1枚から「色が合っている」と言い切るのは難しく、複数の幾何条件（多角度照明・多角度観察）で評価する発想が必要になると考えられます。多角度測色計が存在するのもこのためです。カメラで近づけるなら、照明角度や視点を複数用意し、角度ごとの見えを比較する設計が現実的だと考えます。
メタリック・パールには、光輝材のキラキラ感＝粒感という官能的な質感があります。フレークの大きさ・配向・分散によって「ギラつく／しっとりする」が変わり、これが見本とずれると平均色（ΔE）が合っていても「質感が違う」と弾かれます。粒感は平均色では捉えられず、画像のテクスチャ（局所の明暗分布・スパークルの密度や強さ）として現れます。ここはまさに画像処理・AIが寄与しうる領域で、限度見本の粒感と生産品の粒感を、テクスチャ特徴量や学習モデルで相対比較する方向が考えられます。ただし照明の指向性に強く依存するため、粒感を見るための照明（点光源的でスパークルを立たせる）と、平均色を見るための照明（拡散光）は分けて考えるのが妥当だと考えます。
整理すると、メタリック外観は少なくとも(1)角度ごとの平均色（フロップを含む）、(2)粒感などのテクスチャ、(3)後述するムラ、という複数軸で見るのが筋が良いと考えます。これらを一つのスコアに無理に潰さず、軸ごとに限度見本との差を出し、それぞれに合否の幅を持たせる設計のほうが、現場での説明性も再現性も確保しやすいと考えられます。当社が関わる化粧品容器の外観検査や樹脂塗装部品でも、平均色だけで割り切れないケースは珍しくありません。
色差が一点で合っていても、面の中で色や明るさが不均一だと「ムラ」として不合格になります。ムラは塗装色検査の主要な不良モードの一つで、面で捉えられるカメラの強みが活きる領域だと考えます。
一点の測色値ではムラは検出できません。ムラは面内の色・明度の分布として現れるため、被塗物全体を均一な照明で撮り、領域ごとの色を比較してグラデーションや斑（まだら）を捉える必要があると考えられます。具体的には、画面を細かいセルに分けてセル間のΔEや明度差を見る、低周波の明暗変化を抽出して「じわっとした濃淡」を検出する、といったアプローチが考えられます。ここで難しいのは、被塗物の形状由来の陰影（曲面のハイライトやエッジの暗がり）を、塗装ムラと取り違えないことです。形状の陰影と塗装のムラを切り分けるには、照明設計と、被塗物形状の事前知識（マスク）が効いてくると考えます。
面で色を見るとき、最大の敵は照明そのもののムラです。照明が中央だけ明るければ、塗装が均一でも中央が明るく写り、ムラと誤判定しかねません。均一な拡散照明（ドーム照明や大面積の面光源）で被塗物全体を包む、撮影前に白色基準板で照明ムラを測ってシェーディング補正をかける、といった対策が前提になると考えられます。「ムラ検査の精度が出ない」原因の多くは、AIモデルではなく照明・補正側にある可能性が高いというのが、画像処理の経験則に近いと考えます。
すべてのムラを弾けばよいわけではありません。塗装には製造上避けられない微小なばらつきがあり、どの程度のムラまで許容するかは限度見本と製品要求で決まります。ここはΔEの単一閾値では表現しきれず、「面内最大ΔE」「ムラの面積」「ムラの空間的な広がり（局所か全体か）」など複数の指標で限度見本の幅を記述するのが妥当だと考えます。AIに学習させる場合も、合格品の限度見本（許容範囲ぎりぎりのOK品）を十分に集めることが、過検出・見逃しのバランスを取る鍵になると考えられます。多品種の樹脂・塗装部品では色番ごとにこの幅が異なるため、品種ごとの基準管理も論点になります。
色検査のどこまでをルールベースの画像処理で、どこからを学習ベースのAIで担うか。ここを混同せず分担するのが、安定運用への近道だと考えます。
色票キャリブレーション、L*a*b*変換、ΔE算出、面内の分布計測といった定量的で説明可能な処理は、ルールベースの画像処理が向いていると考えます。閾値の根拠が明確で、なぜNGになったかを「ΔEがいくつだったから」と数値で説明でき、顧客監査や工程改善のトレースにも使えます。色検査の土台は、できる限りこの説明可能な定量パイプラインで組むのが望ましいと考えます。
一方、粒感の「しっとり／ギラつき」や、ムラの「気になる／気にならない」といった官能評価寄りの軸は、単純な数式に落としにくく、熟練者の限度見本判断に依存しがちです。ここは学習ベースのAIが、限度見本の合否データから「人がOKとする範囲」を学び、官能評価を補助しうる領域だと考えられます。ただしAIの出力は確率的で説明性が弱くなりがちなので、最終判定はAIスコア＋定量指標の併用とし、なぜその判定かを後から追えるようにしておくのが安全だと考えます。VLM（視覚言語モデル）を使えば「見本より青みが強く、上部に濃淡ムラがある」といった言語化された所見を補助的に得られる可能性があり、検査員の判断記録や教育に役立つ余地があると考えています。当社のエッジVLMの知見は、こうした所見生成の文脈でも応用しうると考えます。
色検査をカメラ＋AIで行う本当の価値は、合否そのものだけでなく全数の色データが記録・蓄積されることにあると考えます。ロットごとの色の傾向、季節変動、塗料ロット切替時のシフトを時系列で可視化できれば、不良が出てから直すのではなく、傾向が崩れる前に手を打つ工程管理に近づきます。これは工場データ基盤や予兆保全の発想と地続きで、色検査を単独の合否機ではなく品質データの入口として位置づける考え方です。判定だけを急ぐより、まずデータが正しく溜まる仕組みを作るほうが、長期的な投資対効果は高い可能性があると考えます。
塗装色検査をAI・カメラで進めるとき、技術以前の前提でつまずくケースが多いと考えます。検証を始める前に押さえておきたい論点を挙げます。
これらはいずれも、モデルの賢さ以前の計測の基本に関わる論点です。逆に言えば、ここを丁寧に詰めるほど、その後のAI判定は素直に効いてくる可能性が高いと考えます。色検査で成果が出るかどうかは、AI選定の前段にある照明・治具・限度見本の準備で大きく決まる、というのが実感に近い考え方です。
最後に、塗装の色差・調色マッチング検査をどんな順序で検討・検証していくのが現実的か、ロードマップとして整理します。いきなり全自動の合否機を目指すより、段階を踏むほうが結果的に早いと考えます。
まず限度見本（OK限度・NG限度の現物）を、色番・部位ごとに揃え、可能なら分光測色計で絶対値も押さえます。同時に「現場が実際にどの軸でNGを出しているか」（平均色か・粒感か・ムラか）を棚卸しします。この基準づくりがすべての出発点で、ここが曖昧なまま機械化に進むと、後で必ず戻ってくることになると考えます。
照明・WB・露出・治具・色票キャリブレーションを組み、同じ被塗物を繰り返し撮って数値が再現するかを最初に検証します。ここで「同じものが同じ数値で撮れる」ことが確認できて初めて、見本との差を語れます。エッジ機器でリアルタイムに処理する構成は、当社がハードウェア統合やJetsonベースのカメラ構成で扱ってきた領域とも重なります。
平均色（ΔE）・粒感・ムラをいきなり一体化せず軸ごとに検証し、定量で割り切れる軸はルールベース、官能寄りの軸はAIで補助、と分担を確かめます。限度見本データを集めながら、過検出と見逃しのバランスを現場の感覚とすり合わせていきます。小さく回して納得感を積み上げるのが、現場に根付く検査になる近道だと考えます。検査の進め方全般は外観検査自動化ガイドやPoCが失敗する理由も併せてご参照ください。
合否だけでなく全数の色データを蓄積し、ロット・季節・塗料切替に伴う色の傾向を可視化します。ここまで来ると、色検査は「不良を止める関所」から「品質を先回りで管理するセンサー」へと役割が広がっていくと考えます。
当社Nsightには、元キーエンス画像処理事業部出身で、照明・レンズ・撮像から検査ロジックまでを現場で詰めてきた知見を持つメンバーが在籍しています。塗装色のように「人の官能と物理計測のあいだ」にある検査は、机上のスペックだけでは合否の線引きが決まらず、必ず現物・現場での確かめが要る領域だと考えます。色差・調色マッチング・メタリック外観の検査をご検討であれば、まずは現物のサンプルと限度見本をお持ちいただき、どの軸が・どこまで・どう測れるのかを一緒に検証するところから始めるのが確実だと考えます。断定的な精度保証から入るのではなく、御社の現物で確かめながら線を引いていく——その進め方をご提案します。
一般的な目安として、訓練された目で差が分かり始めるのがΔE1前後、並べれば分かるのが数程度と語られますが、許容ΔEは色相・部位・顧客要求で大きく変わります。固定の教科書値を採用するより、御社の限度見本（OK限度・NG限度の現物）から逆算して品種ごとに決めるのが妥当だと考えます。現物での検証が前提です。
カメラのRGBは照明・ホワイトバランス・センサー特性を畳み込んだ値で、そのままでは絶対的な測色値になりません。照明・WB・露出を固定し、色票でキャリブレーションして初めて相対比較が成立すると考えられます。厳密な絶対値は分光測色計で押さえ、カメラは面的なばらつき・ムラの全数監視という分担が現実的だと考えます。
メタリックは見る角度で色が変わるフロップや、光輝材による粒感があり、単一視点・単一指標では評価しきれない難しさがあります。多角度の照明・観察を前提に、平均色・粒感・ムラを軸ごとに分けて限度見本と比較する設計が現実的だと考えます。官能寄りの粒感はAIで補助しうる領域ですが、現物での検証が前提になります。
ムラは一点の測色では捉えられず、面内の色・明度の分布として評価する必要があると考えられます。均一な拡散照明と白色基準板によるシェーディング補正で照明ムラを除き、形状由来の陰影と塗装ムラを切り分けることが鍵です。面内最大ΔE・ムラ面積・空間的な広がりなど複数指標で限度見本の幅を記述する方法が妥当だと考えます。
色票キャリブレーション・ΔE算出・面内分布計測など説明可能な定量処理はルールベースが向き、粒感やムラの官能評価寄りの軸はAIが補助しうると考えます。最終判定はAIスコアと定量指標を併用し、なぜその判定かを後から追える形にしておくのが安全です。VLMを使えば所見の言語化も補助でき、検査記録や教育に役立つ余地があると考えています。
色差・調色マッチング・メタリック外観の検査は、スペックだけでは線引きが決まりません。御社の現物サンプルと限度見本をお持ちいただければ、どの軸がどこまで測れるかを元キーエンス出身の監修者とともに検証します。まずはご相談ください。
塗装色検査の相談・現物検証を申し込む