めっき・塗装の表面処理に特有の外観欠陥（ムラ・ピンホール・ハジキ・タレ・ブツ）を、画像AIでどう検出しうるかを整理します。素地金属の傷検査とは異なる照明・判定設計の勘所と、現物検証を前提とした進め方を解説します。
金属部品の外観検査というと、打痕・スリ傷・バリといった素地そのものの欠陥を思い浮かべる方が多いと思います。しかし、めっきや塗装といった表面処理を施した製品の外観検査は、同じ「金属の見た目をチェックする」工程でありながら、検査の難しさの中身がかなり異なると考えています。表面処理の層は、光学的にも幾何学的にも素地とは別物だからです。本記事では、金属表面の総論ではなく、めっき・塗装という薄膜・被覆層に特有の欠陥に絞って、画像AIでどこまで・どう捉えうるかを整理します。
めっきや塗装の欠陥は、多くが「素地の上に乗った層が、本来あるべき状態になっていない」ことに起因します。膜厚が薄すぎて下地が透ける、付着が悪くて弾かれる、乾燥・析出の過程で気泡が抜けきらない、異物を巻き込む——こうした現象は、素地の打痕のように「凹んでいる／削れている」という単純な幾何形状では捉えにくく、色・光沢・微小な凹凸・反射の乱れといった、より繊細な手がかりで判断する必要があると考えられます。
代表的な欠陥を挙げると、塗装では塗りムラ・色差、ハジキ（塗料が弾かれてできるクレーター状のへこみ）、タレ（垂れて厚みが偏る）、ブツ（ゴミ・ダストの巻き込みによる微小突起）、ピンホール（針穴状の小孔）、ユズ肌・ワキ（泡）などがあります。めっきでは、ムラ・くもり・ヤケ（変色）、ピット（小さなくぼみ）、フクレ（密着不良による膨れ）、未析出・ハガレ、水シミなどが知られています。これらは見た目の現れ方が多様で、しかも「どこからが不良か」の線引きが製品・用途によって変わります。
めっき・塗装面の多くは光沢を持ちます。クロムめっきや光沢塗装のように鏡面に近いものでは、照明や周囲の景色がそのまま映り込み、その映り込みが欠陥なのか反射なのか判別しにくくなります。逆に欠陥が「反射の乱れ」として現れる場合もあり、光沢は敵にも味方にもなります。つまり、表面処理面の検査では「何を撮るか」より先に「どう光を当てて、どう反射させるか」の設計が成否を分けると考えています。この点は、比較的拡散反射に近い素地のザラついた面を撮る場合と大きく異なります。
関連して、目視検査の限界と対策でも触れているように、人の目はこの「光沢面の微妙な異常」を熟練によって驚くほど高精度に見分けます。検査員が部品を手の中で傾けながら見ているのは、まさに反射条件を動的に変えて欠陥を浮かび上がらせる行為であり、これを固定カメラ＋固定照明で再現しようとすると、人が無意識にやっている工夫を設計として明示化する必要が出てきます。
表面処理は、素材ロット・薬液濃度・温度・湿度・膜厚・乾燥条件など多くのパラメータの影響を受けます。その結果、良品同士でも色味や光沢に一定の幅が生じるのが普通です。この「良品の自然なばらつき」と「不良としての異常」を分ける境界の設定が、検査の現場で最も悩ましい部分だと考えます。境界を厳しくすれば過検出（良品を弾く）が増え、緩くすれば見逃しが出ます。画像AIを導入する場合も、この良品ばらつきの幅をどうデータとして表現し、判定にどう織り込むかが設計の中心になります。AI以前に、人手の目視をどこまでAIで置き換えうるかという観点で、自社の良否基準が言語化できているかを点検することをおすすめします。
めっき・塗装の検査でまず取り組むべきは、AIのモデル選定ではなく撮像設計だと考えています。どんなに高度な画像AIでも、欠陥が画像上に陰影や色差として「写っていない」ものは検出できません。逆に、欠陥が明確なコントラストとして写ってさえいれば、検出側の難易度は大きく下がります。ここでは代表欠陥ごとに、検討に値する照明・撮像の方向性を整理します。いずれも目安であり、最終的には現物での検証が前提です。
塗りムラや色差、めっきのくもり・ヤケといった欠陥は、局所的な凹凸ではなく「広がりのある面の濃淡・色調の偏り」として現れます。これらには、面全体を均一に照らす拡散照明（ドーム照明や面光源）が向く場合が多いと考えられます。映り込みを抑えてフラットに撮ることで、本来均一であるべき面の中の濃淡を素直に捉えやすくなります。さらに、グレースケールだけでなくカラー情報（色相・彩度）を使うことで、人が「色が違う」と感じる差を数値化できる可能性があります。ヤケや変色のように色相が動く欠陥では、カラーの活用が判定の鍵になると考えます。
ただしムラ検査の難しさは、前述の良品ばらつきとの切り分けにあります。照度や白色点が日や時間でわずかに変動するだけでも、ムラと誤認されかねません。照明の安定化、ホワイトバランスの固定、基準サンプルの定期撮像といった撮像環境そのものの管理が、ムラ検査では検出アルゴリズム以上に効いてくる場面が多いと考えています。
ピンホールやピット（微小なくぼみ）、ブツ（微小突起）は、面に対して浅い角度から光を当てる斜光照明（ローアングル・グレージング照明）で陰影として浮かび上がらせる手法が古くから知られています。平らな面では光が一様に反射する一方、微小な凹凸の縁では反射方向が乱れ、暗線や輝点として強調されます。針穴のような小さな欠陥ほど、この「陰影で増幅する」発想が有効になりやすいと考えられます。
一方で斜光は、面のうねりや本来許容される微小なテクスチャまで強調してしまうため、過検出の温床にもなります。照明角度・方位を変えると見え方が大きく変わるため、複数方向から照らした画像を組み合わせる、あるいは検出対象の欠陥サイズに合わせて角度を最適化するといった検討が現実的です。欠陥が「どの向きの光で最もよく見えるか」を実部品で総当たり的に確かめる地道な作業が、結局は近道になることが多いと感じています。
ハジキ（塗料が弾かれてできるクレーター状の窪み）やタレ（厚みの偏り）、ユズ肌（表面が柚子の皮状に荒れる）は、ある程度の広がりを持った形状・反射の異常です。ハジキはクレーター縁での反射の乱れ、タレは膜厚変化に伴う光沢や輪郭の変化として現れます。これらは斜光による陰影と、鏡面に近い面での映り込みパターンの乱れ（デフレクトメトリ的な考え方）を組み合わせて捉える方向が検討に値すると考えます。縞パターンを面に映し込み、その縞の歪みから表面の傾き異常を見る手法は、自動車の塗装面検査などで実績のある考え方です。
これらの欠陥は「点」ではなく「領域」「形」として現れるため、検出後に面積・縦横比・連続性といった特徴で良否や等級を切り分けやすい一方、良品の正常なテクスチャ（意図的なシボ加工など）との区別が課題になります。製品仕様として許容されるテクスチャと、欠陥としての荒れを、データの段階で明確に分けておくことが重要だと考えています。
撮像で欠陥が「写る」状態を作れたら、次はそれをどう判定するかです。めっき・塗装の検査では、単一の手法ですべてを賄うより、欠陥の性質と良品ばらつきの広さに応じて手法を使い分ける設計が現実的だと考えています。ここでは代表的な3つのアプローチと、その向き不向きを整理します。VLMと従来ディープラーニングの違いも併せてご覧いただくと、選定の軸が掴みやすいと思います。
欠陥の見た目が比較的安定していて、十分な数の不良サンプルを集められる場合は、教師あり学習が素直です。ブツ・ピンホールのように「あるか・ないか」が明確で、画像上の見え方が一貫している欠陥は、検出（位置を出す）やセグメンテーション（範囲を塗る）で扱いやすいと考えます。ただし表面処理の不良は、種類によっては発生頻度が低く、不良画像を必要数集めるまでに時間がかかる点が実務上の壁になりがちです。発生の少ない欠陥ほど、学習データの偏り対策（データ拡張、欠陥の合成、サンプリング設計）を慎重に行う必要があると考えられます。
「不良の種類が多すぎて事前に全部は集めきれない」「良品はたくさんあるが不良は稀」という、表面処理でよくある状況には、良品だけを学習して逸脱を検出する異常検知のアプローチが噛み合いやすいと考えています。ムラやくもりのように「正常な面からのズレ」として表現しやすい欠陥は、この枠組みと相性が良い場合があります。良品ばらつきの幅を良品データとして十分に学習させられれば、未知のタイプの欠陥にも一定の検出力を期待できる可能性があります。
一方で異常検知は、「どこからが異常か」のしきい値設定が運用の肝になります。良品ばらつきが広いと正常分布の裾が伸び、過検出と見逃しのトレードオフがシビアになります。良品の自然な変動を、季節・ロット・ラインの違いまで含めてどれだけ網羅できるかが、安定運用の前提になると考えます。
近年は、画像と言語を結びつけて扱えるVLM（Vision Language Model）を、外観検査の一部に組み込む検討も現実味を帯びてきました。VLMの利点は、欠陥を細かくラベリングし切らなくても「この面に色ムラがある」「縁にハジキ状のへこみがある」といった記述的な判断や、欠陥種類の振り分けを扱いうる点にあると考えています。多品種で、欠陥の種類も呼び名も現場ごとに揺れる表面処理の世界では、こうした柔軟さが効く場面があるかもしれません。NsightでもエッジでのVLM活用に取り組んでおり、検査の前段での仕分けや、検出後の欠陥種類の説明づけといった補助的な使い方から検討する価値があると考えます。
ただしVLM単独で微小欠陥のピクセル単位の検出まで担わせるのは、現時点では過大な期待になりかねません。「微小欠陥の検出は専用の画像処理・検出モデル、種類の振り分けや判断の説明はVLM」といった役割分担で、それぞれの得意を生かす設計が当面は現実的だと考えています。手法は目的に従うべきで、流行のモデルを先に決めてから課題を当てはめるのは順序が逆だと考えます。
検査ロジックが実験室で成立しても、ラインで安定して回らなければ意味がありません。めっき・塗装ラインは、搬送速度・ハンガー揺れ・面の向き・乾燥前後の状態など、固有の制約が多い現場です。ここでは実装・運用面で押さえておきたい論点を整理します。
表面処理の検査は「最終外観だけ見ればよい」とは限りません。塗装なら下塗り・中塗り・上塗りの各段で現れる欠陥が違い、めっきなら前処理（脱脂・酸洗）の良否が後工程の密着不良として現れます。早い段階で異常を捉えられれば、不良を作り込む前にラインを止められ、手戻りを減らせる可能性があります。一方で工程途中は表面状態が安定せず撮像が難しい場合もあり、検査点の選び方は、検出したい欠陥と歩留まり改善のインパクトを天秤にかけて決める必要があると考えます。工程の可視化と合わせて、どこに検査を置くと効くかを設計するのが望ましいと考えています。
光沢面の検査は、複数照明・複数アングルの画像を扱うとデータ量が大きくなりがちです。すべてをクラウドに送って処理する構成は、通信負荷・遅延・コストの面で不利になる場面があります。ラインのタクトに追従してリアルタイムに判定するなら、カメラの近く（エッジ）で画像処理・推論を完結させる構成が有力な選択肢になると考えます。NVIDIA Jetsonのようなエッジデバイスを使えば、現場で完結する検査系を組みやすくなります。詳しくはエッジとクラウドの検査AI比較やJetsonとは何かもご参照ください。既存の検査機や搬送装置にカメラ系を後付けするエッジAIレトロフィットの発想で、設備を入れ替えずに始める道もあります。
検査結果は、ライン制御（不良品の排出・マーキング・ライン停止）や品質記録につながって初めて価値になります。PLCやシーケンサとの連携、判定ログの蓄積、不良画像の保存といった出口側の設計を、検査ロジックと同じ重みで考えることをおすすめします。とくに表面処理では「どの欠陥がどのロット・条件で増えたか」を追えると、原因の薬液・塗料・乾燥条件にさかのぼれる可能性があり、検査が単なる選別ではなく工程改善のデータ源になりえます。PLCとAIの統合や工場データ基盤の観点も併せて検討する価値があると考えます。
現場照明の漏れ込み、外光、温湿度による結露やミスト、ハンガーやコンベアの振動——これらは光沢面検査の天敵です。遮光・防塵・カメラと照明の固定、定期的な基準サンプルによる撮像状態の自己点検といった、地味だが効果の大きい対策を運用に組み込む必要があると考えます。AIモデルの精度を上げる前に、入力画像の安定性を確保する方が結果的に近道になることが多いと感じています。
これまで述べてきた論点と重なる部分もありますが、実際に検査自動化を検討する際に見落とされやすい点を、チェックリスト的にまとめます。導入前の議論の叩き台としてご活用ください。
これらはいずれも、技術というより「進め方」の落とし穴です。表面処理検査は欠陥が繊細なぶん、段取りの甘さがそのまま精度の頭打ちにつながりやすいと感じています。
ここまで、めっき・塗装に特有の欠陥と、それを画像AIで捉えるための撮像・手法・運用の論点を整理してきました。最後に、実際に着手する場合の現実的なステップと、Nsightとしてどう関われるかをお伝えします。
最初にやるべきは、新しいモデルを探すことではなく、自社の良品・不良品の現物を集めることだと考えます。ムラ・ピンホール・ハジキ・タレ・ブツ・ピット・フクレなど、検出したい欠陥が実物としてどう見えるか、限度見本（許容の上限・下限）はどこかを揃える。この段階で「人でも判定が割れる欠陥」が見つかることも多く、それ自体が自動化の難所を事前に教えてくれます。
集めた現物に対し、拡散・斜光・縞投影・偏光・カラーなどの撮像条件を実際に試し、各欠陥が「最もよく写る」条件を探します。ここは机上では決まらず、現物で総当たり的に確かめる地道な工程です。逆にここで欠陥がはっきり写る条件を見つけられれば、後段の検出は大きく楽になります。撮像の当たりがついた段階で、教師あり／異常検知／VLM併用のどれを軸にするかの見通しも立ってきます。
有望な構成が見えたら、限定したライン・品種で小さく検証し、検出精度だけでなく排出・記録・運用までを一度通してみることをおすすめします。PoC・実証のコンサルティングやAI PoC開発の枠組みで、目的指標（過検出率・見逃し・タクト追従・歩留まり改善）をあらかじめ握って進めると、本番化の判断がしやすくなります。検査の自動化を本格化させる際は、最終外観検査のAI外観検査として、エッジ実装まで含めた構成で組み立てていく流れが現実的だと考えます。
Nsightには、キーエンス画像処理事業部の出身者をはじめ、産業用画像検査の現場で照明設計や欠陥の見極めに携わってきたメンバーが在籍しています。めっき・塗装の検査は、教科書的な正解が一つに定まらず、欠陥の物理・光学・良品ばらつき・ラインの制約が複雑に絡む領域です。だからこそ私たちは、いきなり「できます」と断定するのではなく、現物・現場での検証を通じて、何がどこまで捉えられるかを一緒に確かめていく進め方を大切にしています。本記事の内容も一般論であり、最終的な可否や精度は貴社の製品・ライン・欠陥で検証することが前提です。表面処理の外観検査でお困りのテーマがあれば、まずは現物を前にした検証からご相談いただければと考えています。
基本の画像AI技術は共通しますが、撮像設計と良否基準の作り方が大きく異なるため、同じ設定の流用は難しい場合が多いと考えます。素地の傷は幾何形状として捉えやすい一方、表面処理の欠陥は色・光沢・薄膜の異常として現れ、映り込みや良品ばらつきへの対処が要になります。欠陥の物理に合わせて撮像条件から見直すことをおすすめします。
面全体を均一に照らす拡散照明とカラー情報を組み合わせ、良品基準からの逸脱として捉えるアプローチが検討に値します。ただしムラ検査は良品の自然なばらつきとの切り分けが難しく、照明やホワイトバランスの安定管理が精度を左右します。最終的には貴社の製品での検証が前提になると考えます。
稀少欠陥はどの現場でも共通の悩みです。良品のみを学習する異常検知の併用、データ拡張や欠陥合成の活用、発生時に確実に画像を残す運用づくりなどで補う方向が現実的だと考えます。まずは集まっている良品データの幅と、致命欠陥の限度見本を整理するところから始めるのが有効です。
カメラ近傍のエッジデバイス（NVIDIA Jetson等）で画像処理・推論を完結させる構成にすれば、通信遅延を抑えてタクトに追従できる可能性があります。ただし複数照明・複数アングルを使うと処理量が増えるため、必要な撮像条件と要求タクトのバランスを実機で検証することが前提だと考えます。
まずは現物と限度見本を持ち寄り、撮像の当たりを実物でつけ、限定ラインで小さく検証する、という段階的な進め方をおすすめします。検出精度だけでなく排出・記録・運用まで一度通すことで、本番化の判断材料が揃います。Nsightでは現物・現場での検証を通じて、何がどこまで可能かを一緒に確かめる形でご支援しています。
ムラ・ピンホール・ハジキなど、表面処理特有の欠陥がどこまで画像AIで捉えられるかは、貴社の製品とラインで検証して初めて分かります。元キーエンス画像処理事業部出身の監修者とともに、現物を前にした検証からご相談を承ります。
現物検証・相談を申し込む