ゴムシール・Oリングの外観検査は、黒色・低コントラスト・弾性変形という三重の難しさを抱えます。バリ・欠け・異物・気泡・ねじれをどう照明と画像AIで顕在化させるか、設計と運用の勘所を、断定を避けつつ実装目線で整理します。
ゴムシールやOリングは、自動車・油圧機器・空圧機器・半導体製造装置・食品機械・医療機器まで、ほぼあらゆる産業の「漏れを止める」要として使われる部品です。1個あたりの単価は小さくても、1個の欠陥が組み付け後の漏洩・ライン停止・リコールにつながるため、外観検査に求められる水準は決して低くありません。それにもかかわらず、ゴム・エラストマー系部品の外観検査は、金属加工部品やプリント基板に比べて自動化が遅れている領域だと考えられます。その理由は、被写体そのものの「見えにくさ」にあります。
多くのゴムシール・Oリングはカーボンブラックを配合した黒色（NBR、FKM、EPDMなど）です。黒色かつマット寄りの表面は、入射した光の多くを吸収し、カメラに返ってくる反射光が乏しくなります。一般的な拡散照明をそのまま当てても、画像は全体的に暗く、表面の微細な凹凸（欠け・バリ・気泡）が背景の黒に溶け込んで「差」として出てきません。つまり、欠陥があっても画像上のコントラストとして現れにくいのが第一の壁です。これは「カメラやAIの性能不足」ではなく「光学的に差が作れていない」問題であり、解像度やAIモデルを上げる前に光の当て方で解くべき課題だと考えます。
第二の壁は、ゴムが弾性体であることです。Oリングは置き方によって真円から崩れ、自重でわずかに潰れ、搬送のわずかな振動でも姿勢が変わります。金属部品のように「治具に固定すれば毎回同じ見え方」とは限らず、同じ良品でも撮像のたびに輪郭が微妙に変わります。検査アルゴリズムが「形状の基準」を強く前提にしていると、この個体差・姿勢差を欠陥と取り違え、過検出（フォールスコール）が増えます。逆に基準を緩めると、本物の変形欠陥（ねじれ・偏肉）を見逃します。この緩急の設計が難所になります。
第三の壁は、欠陥の多くが三次元的だということです。バリやパーティングラインのはみ出しは断面方向のわずかな突起であり、欠け（チップ）は微小な欠損で陰になります。気泡（ボイド）は表面下に潜むこともあります。これらは「真上から平面的に撮る」だけでは陰影が出ず、見る角度・光の角度を変えて初めて差として立ち上がります。平面画像での色・濃淡の比較を前提にした検査では、立体的な微小欠陥を取りこぼす可能性が高いと考えます。
これら三つの壁は独立しているのではなく、互いに絡み合っています。黒いから差が出にくく、弾性だから基準が揺れ、立体だから角度依存になる。だからこそ「どの欠陥を、どの光で、どの姿勢で見せるか」を欠陥タイプごとに分解する設計思想が要になると、私たちは考えています。外観検査全般の考え方は外観検査自動化のガイドでも整理していますが、ゴム・黒物はその中でも特に光学設計の比重が大きい対象だと位置づけています。
ゴムシール・Oリングの欠陥を「不良かどうか」と一括りにして1台のカメラと1つの照明で判定しようとすると、たいてい行き詰まります。欠陥タイプごとに、画像上で差を作るのに必要な光学条件が異なるからです。まず欠陥を分類し、それぞれに「どう見せれば差が出るか」を割り当てる作業から始めるのが現実的だと考えます。
成形時の金型合わせ目から生じるバリや、規定を超えたパーティングラインのはみ出しは、Oリングの断面輪郭からわずかに飛び出す突起として現れます。これは輪郭（シルエット）に効く欠陥なので、背面からの透過照明（バックライト）で被写体を黒いシルエットとして撮り、輪郭線の凹凸を見る方法が相性が良い場合が多いと考えます。表面の色や濃淡ではなく「縁の形」を見るため、黒物であることがむしろ有利に働くこともあります。
輸送・脱型・ハンドリングで生じる微小な欠けや、Oリング断面の切れは、表面の局所的な陰や輪郭の途切れとして現れます。表面側の欠けはローアングル照明（被写体に対して浅い角度から当てる斜光）で陰影を強調すると顕在化しやすく、輪郭にかかる欠けは透過照明のシルエットで捉えやすい、というように、同じ「欠け」でも位置によって有効な光学が分かれます。複数照明の切り替え撮像や、複数視点での撮像を組み合わせる構成が候補になります。
表面近傍の気泡や、配合・成形不良によるボイド、表面に付着した異物（糸くず・ゴム粉・金属粉）は、表面反射の局所的な乱れとして出ます。同軸落射照明（カメラと同軸に光を当て、平滑面は明るく、欠陥部は暗く落とす）や、偏光フィルタで正反射を抑える手法が、低コントラストの黒物表面の微小な乱れを拾うのに寄与する可能性があります。異物については、色のある異物なら相対的に検出しやすい一方、黒い異物（同系色のゴム粉など）は背景に溶けるため難度が上がります。
Oリングのねじれや断面の偏肉、内外径の寸法ばらつきは、輪郭・断面の幾何形状そのものの問題です。透過照明＋輪郭計測（エッジ抽出による寸法測定）が基本線になりますが、前述のとおり弾性変形で姿勢が揺れるため、「真円基準からのズレ」をそのまま欠陥にすると過検出します。良品の姿勢ばらつき分布を学習・蓄積し、許容範囲を現物データから決めていく姿勢が要ると考えます。寸法系の考え方は寸法検査のガイドとも通じます。
このように欠陥を分解すると、「すべてを1ショットで」という発想がいかに無理筋かが見えてきます。実装上は、欠陥タイプを優先度づけし、「まず何を確実に獲りたいか」から光学構成を決め、段階的に拡張するアプローチが現実的だと考えます。最初から全欠陥網羅を狙うと、光学が複雑化しすぎてコストもタクトも破綻しやすい、というのが私たちの見立てです。
黒物検査の成否は、繰り返しになりますが照明と光学でほぼ決まると考えています。AIモデルの工夫は、差が作れていない画像をいくら処理しても限界があります。ここでは、ゴムシール・Oリング検査で検討に値する光学手法を、効きどころとともに整理します。なお、どの手法が最適かは欠陥タイプ・材質・色・表面粗さに依存するため、最終的には現物での比較撮像が前提であることを先に申し添えます。
被写体の背面から均一な面光源を当て、Oリングを黒いシルエットとして撮る構成です。バリ・欠け・寸法・ねじれといった「輪郭・シルエットに効く欠陥」に強く、黒物であることが不利になりにくい点が利点です。エッジが明瞭に出るため、サブピクセルのエッジ抽出による寸法計測とも相性が良いと考えます。一方で、表面の気泡や付着異物のような「面内の欠陥」はシルエットに出ないため、透過だけでは取りこぼします。
被写体に対して浅い角度から光を当て、表面の微小な突起・欠け・凹凸に陰影を生じさせる手法です。バリの立ち上がりや表面チップを陰として顕在化させるのに寄与します。リング状照明を低位置に配置する、あるいは方向性のある照明を複数方向から順次当てて陰影方向を変える（フォトメトリックステレオ的な発想）と、欠陥の向きに依存しにくくなる可能性があります。
同軸落射は、平滑な良品面を明るく均一に返し、傷・気泡・異物といった局所的な反射の乱れを暗点・明点として浮かせる手法です。偏光フィルタの併用で正反射のテカりを抑えると、黒物表面の微妙な質感差が見やすくなる場合があります。低コントラストの黒物では、露光・ゲイン・照明強度のわずかな差で見え方が大きく変わるため、撮像条件を固定し、個体間で再現性を担保することが重要だと考えます。
Oリングは円環で全周に欠陥が起こりうるため、1視点では死角が残ります。回転させながら複数枚撮る、複数カメラで分担する、ミラーで側面を折り返して1カメラに収める、といった構成が候補です。タクトタイム（1個あたりの検査時間）との折り合いが現実的な制約になり、「全周を何枚で・何秒で・どの分解能で撮るか」を生産能力から逆算して設計する必要があります。ここはエッジ側の処理能力とも関わり、エッジとクラウドの使い分けの論点ともつながります。
微小なバリ・欠けを捉えるには十分な空間分解能が要りますが、視野を広げると分解能は落ち、弾性体の姿勢ばらつきで合焦面から外れると被写界深度の問題も出ます。「最小検出したい欠陥サイズ」を起点に、必要画素分解能・レンズ・視野・被写界深度を逆算するのが定石だと考えます。欲張って視野を広げすぎると、結局どの欠陥も中途半端にしか見えない、という失敗に陥りやすい点に注意が要ります。
光学で差を作れたら、次はその差を安定して判定する画像処理・AIの設計です。ここで重要なのは、AIを「最初から全部任せる主役」ではなく「適切に顕在化された差を、個体ばらつきに耐えて拾う後段」として位置づけることだと考えます。手法は大きく、従来型の画像処理（ルールベース）、ディープラーニング、VLM（視覚言語モデル）に分けられ、それぞれ向き不向きがあります。
透過照明での輪郭抽出による寸法計測や、バリのはみ出し量の数値化など、「測れる・閾値で切れる」欠陥は、従来型の画像処理が安定かつ説明可能で、第一候補になりやすいと考えます。判定根拠が数値で残るため、なぜ不良としたかをトレースしやすく、品質保証・監査の観点でも扱いやすい利点があります。良品の姿勢ばらつきが小さく管理できる場合は、これだけで十分な精度に達することもあります。
気泡・異物・微小欠けのように「ルールで書きにくいが良品とは何かが違う」欠陥には、ディープラーニング系の異常検知が候補になります。とりわけ、不良サンプルが集めにくいゴム部品では、良品のみを学習し逸脱を検出する「正常学習型（教師なし異常検知）」の発想が現実的なことが多いと考えます。ただし、黒物・低コントラストでは良品画像のばらつき（照明ムラ・姿勢差）をモデルが「異常」と誤認しやすく、結局は前段の撮像安定性が精度を左右します。学習データは現物から十分量を集めることが前提で、少数データでの過信は禁物です。ディープラーニングとVLMの違いはVLMとディープラーニングの比較でも整理しています。
VLMは、欠陥の種類が多様で言語的な記述（「合わせ目が規定より太い」「縁に小さな欠け」）と紐づけたい場合や、多品種少量で品種ごとに専用モデルを作る余裕がない場合に、柔軟性の面で寄与する可能性があります。一方で、微小・低コントラスト欠陥の確度や処理速度、判定の安定性については現物検証が不可欠で、現時点では「ルールベース＋異常検知の補助」「一次選別後の二次確認」といった役割分担で組み込むのが堅実だと考えます。エッジでのVLM活用の現実はエッジVLMの実装でも触れています。
実務では、単一手法に賭けるより「寸法・輪郭はルールベース、面内欠陥は異常検知、判断に迷う個体は人または上位確認へ」というように役割分担で組むほうが、過検出と見逃しのバランスを取りやすいと考えます。どの欠陥をどの手法に割り当てるかは、欠陥の発生頻度・流出リスク・タクトから決めるべきで、これも現ラインのデータがないと机上では決めきれません。AIで外観検査を置き換える際の全体観は外観検査のAI置き換えもあわせてご覧ください。
光学とAIが整っても、現場で安定して動かし続けられなければ意味がありません。ゴムシール・Oリング検査では、被写体のハンドリング（供給・姿勢決め・搬送）と、運用フェーズでのしきい値・基準の管理が、立ち上げ後の歩留まりを大きく左右すると考えます。
弾性体のOリングは、ばらまき供給のままでは重なり・絡まり・裏表・潰れが生じ、撮像の前提が崩れます。パーツフィーダや整列搬送、平面トレイへの整列、真空吸着での1個ずつのハンドリングなど、「毎回同じ姿勢でカメラ前に来る」仕組みが、AI以前に効きます。静電気でゴム粉や糸くずが付着しやすい点も、除電・エアブローの要否として設計に織り込む必要があります。検査精度の議論の前に、まず安定して同じ見え方を作れるかを問うべきだと考えます。
全周・両面を高分解能で多数枚撮れば精度は上がりますが、1個あたりの時間が伸び、生産タクトに乗らなくなります。逆にタクト優先で撮像を削ると死角と見逃しが増えます。ここは「許容できる流出リスク」と「ラインの生産能力」から、検査する欠陥・面・分解能を取捨選択する経営判断を含みます。全数検査か抜取りか、インラインか別ラインのオフライン検査かも、ここで決まってきます。
低コントラストの黒物では、わずかなロット差（材料ロット・成形条件・表面状態）で画像の出方が変わり、固定しきい値が次第に合わなくなることがあります。過検出が増えれば現場の信頼を失い、見逃しが増えれば流出します。良品・不良判定の結果を継続的に蓄積し、定期的にしきい値や基準を見直す運用設計が要ると考えます。判定ログ・画像の保全と、ドリフト（経時変化）の監視を最初から組み込んでおくと、立ち上げ後の調整が楽になります。継続監視の考え方は監視・運用サービスでも整理しています。
現場でAI検査が定着するかどうかは、過検出・見逃しが出たときに原因を辿れるかにかかっていると考えます。判定根拠の可視化（どこを見て不良としたか）、撮像条件のログ、欠陥画像の蓄積がないと、「AIがたまに変な判定をする箱」になり、最後は人が全数見直す本末転倒に陥りがちです。検査装置は導入して終わりではなく、運用しながら賢くしていく前提で設計するのが現実的だと考えます。
ここまでの論点を、現場で起こりがちな失敗パターンとして整理します。いずれも「AIの性能」以前の、設計・前提・運用に起因するものが多い、というのが私たちの観察です。
これらは裏を返せば、検査の成否が「AIの賢さ」よりも「対象を正しく見せ、安定して撮り、ばらつきを織り込み、運用し続ける」という地味な工程設計に宿る、ということでもあります。PoC（概念実証）が失敗する理由は外観検査PoCが失敗する理由でも掘り下げています。
最後に、ゴムシール・Oリングの外観検査AIをどう進めるか、現実的なステップを整理します。一足飛びに全自動全数検査を目指すより、検証可能な単位に分けて確かめながら拡張するほうが、結果的に早く確実だと考えます。
まず、自社の不良モードを洗い出し、流出リスク・発生頻度・現状の検査方法（人による全数か抜取りか）を整理します。「何を絶対に流出させたくないか」を明確にすると、優先的に獲るべき欠陥と、それに必要な光学・手法が絞れます。すべてを同時に狙わない、という割り切りがこの段階で重要だと考えます。
次に、実際の良品・不良品を持ち寄り、透過・斜光・同軸・偏光などの条件で比較撮像し、「どの欠陥がどの光で差として出るか」を現物で確かめます。ここが黒物検査の肝であり、机上では決められません。差が出ない欠陥は、AI以前に光学の作り直しが必要だと判断できます。この見極めを飛ばすと後工程がすべて揺らぎます。
差が作れた欠陥について、画像処理・異常検知・VLMの分担を仮置きし、現物データで過検出率・見逃し率を実測します。この段階で「タクトに乗るか」「現場の供給・姿勢決めが成立するか」もあわせて検証します。数値が要求に届かなければ、光学・ハンドリング・手法のどこに原因があるかを切り分けて戻ります。PoCの設計や費用感はPoC支援サービスや外観検査AIのコスト構造もご参照ください。
実用域に達したら、しきい値運用・判定ログ・ドリフト監視・再学習の仕組みを設計し、対象欠陥や品種を段階的に広げます。最初から完璧を目指すより、確実に獲れる範囲から実ラインに乗せ、運用しながら賢くしていく前提で組むのが現実的だと考えます。エッジ機器での実装や既存設備への後付けはエッジAIの後付け、外観検査ソリューション全体はAI外観検査サービスで扱っています。
Nsightには、元キーエンス画像処理事業部出身で、数多くの外観検査・画像処理の現場に携わってきた監修者が在籍しています。その経験から繰り返し申し上げたいのは、黒物・低コントラスト・弾性体という難しい対象ほど、カタログスペックや一般論ではなく、現物・現ラインでの検証を通じて一緒に確かめることが近道だということです。本稿の内容も一般的な設計指針であり、貴社の材質・欠陥・ラインで同じ結果になるとは限りません。気泡が見えるか、バリが差として立つか、ねじれを過検出せず拾えるか——こうした問いは、実物を一緒に撮ってみて初めて答えが出るものだと考えます。ゴムシール・Oリングの検査でお困りの際は、まずは現物を持ち寄っての検証からご一緒できればと考えています。樹脂・成形品の関連論点としてプラスチック成形品の検査、金属表面の論点として金属部品の検査もあわせてご覧ください。
黒色・低コントラストの被写体は確かに難度が高いですが、適切な照明・光学設計で欠陥を画像上の差として顕在化できれば、画像処理・AIで判定できる可能性は十分にあると考えます。鍵はAIモデルよりも前段の見せ方であり、透過・斜光・同軸・偏光などを欠陥タイプごとに使い分けることが前提です。ただし材質・欠陥・ラインによって最適解は異なるため、現物での比較撮像による検証が不可欠だと考えます。
弾性体ゆえの姿勢ばらつきは大きな課題ですが、これは多くがハンドリングの問題です。整列搬送やトレイ整列、1個ずつの吸着など「毎回同じ姿勢でカメラ前に来る」仕組みを整えることが、AI以前に効きます。あわせて、良品の姿勢ばらつきの分布を現物データで押さえ、過検出にならないよう許容範囲を設計します。供給・姿勢決めの成立可否も含めて、現ラインでの検証が前提になると考えます。
ゴム部品では不良が希少なことが多く、不良画像を大量に集めるのは現実的でない場合があります。その際は、良品のみを学習して逸脱を検出する正常学習型（教師なし異常検知）の発想が候補になります。ただし黒物では良品画像のばらつき自体を異常と誤認しやすいため、撮像の安定化が前提です。手法はデータ事情から逆算すべきで、少数データでの過信は避けるべきだと考えます。
1照明・1ショットで全欠陥を狙うのは難しいことが多いと考えます。バリ・寸法は輪郭に効くため透過照明、表面の欠けは斜光、気泡・異物は同軸・偏光、というように欠陥タイプで必要な光学が異なるためです。実装では欠陥を分解し、優先度の高いものから光学を割り当て、複数照明の切り替えや複数視点で構成するのが現実的です。タクトとの折り合いも含め、現物で詰めることをおすすめします。
材料ロット差・成形条件・経時変化で画像の出方は変わるため、しきい値を固定したまま放置すると過検出や見逃しが増える可能性があります。判定結果・画像を継続的に蓄積し、ドリフトを監視して定期的に基準を見直す運用設計を最初から組み込むことをおすすめします。検査装置は導入して終わりではなく、運用しながら賢くしていく前提で設計するのが現実的だと考えます。
黒物・低コントラスト・弾性体という難しい対象こそ、一般論ではなく実物での検証が近道だと考えます。元キーエンス画像処理事業部出身の監修者とともに、貴社の良品・不良品を持ち寄っての比較撮像から、見えるか・拾えるかを一緒に確かめます。
現物検証・相談をする