太陽光パネルの欠陥は、製造ラインの微細なセル割れから、稼働後アレイに現れるホットスポットまで幅が広く、いずれも「見えにくい」という共通の壁があります。どこを人が担い、どこを画像AIに任せられるのか。撮像条件と欠陥の物理から順に考えます。
再生可能エネルギーの主力として太陽光発電の設備容量は積み上がり続け、設置から年数を経た発電所の保守・点検（O&M）が産業全体の課題になりつつあります。パネルは屋外で紫外線・温度差・積雪・飛来物にさらされ、経年で微細な割れやホットスポットが発生しうる一方、点検は広大な敷地を人が巡回して目視やサーモグラフィで確認する労働集約的な作業が中心で、人手不足と点検コストが重くのしかかっています。
同時に、パネルを作る製造ラインの側でも品質保証の負荷は増しています。太陽電池セルは薄く割れやすく、電極（フィンガー・バスバー）の断線やにじみ、封止工程でのラミネート気泡・異物混入といった欠陥が、発電性能や長期信頼性に効いてきます。これらの多くは肉眼では判別が難しい低コントラストの欠陥であり、検査員の熟練と集中力に依存しているのが実情だと考えられます。
重要なのは、「太陽光パネルの外観検査」と一括りにされがちですが、製造ラインでの検査と、発電所で稼働してからの点検はまったく別物だという点です。前者はライン上を流れる一枚一枚を、決まった照明・決まった距離で高精細に見る世界。後者は屋外の架台に固定された膨大な枚数を、天候・日射・角度の制約下で広域に見る世界です。求められる撮像方法も、拾いたい欠陥も、許容できる見逃しの意味も異なります。まずこの二つを分けて考えることが、検査自動化を検討する最初の一歩になると考えます。
検査自動化の議論は、いきなり「AIで検出できますか」から始めると迷子になります。先に「何を、なぜ拾いたいのか」を欠陥ごとに分解しておくと、必要な撮像方式と難易度が見えてきます。太陽光パネルで論点になりやすい欠陥を、性質の違いから整理します。
セル割れ（マイクロクラック）は、搬送やラミネート時の応力で生じる髪の毛ほどの亀裂で、可視光ではほとんど見えないことが多く、稼働後に進展して出力低下やホットスポットの起点になりうる欠陥です。電極欠陥はフィンガー断線・かすれ・にじみなど印刷起因のもの。封止工程では気泡・異物・ラミネートムラが問題になります。いずれも「コントラストが低い」「発生位置が不定」という共通点があり、これは電池のセル・電極の外観検査で扱う塗工ムラ・割れ・異物の難しさと本質的に近いテーマです。
発電所側では、ホットスポット（局所発熱）、セル割れの進展、汚れ・鳥糞・落ち葉による部分遮光、バックシートの変色・剥離、コネクタやケーブルの損傷などが点検対象になります。ホットスポットは熱として現れるため熱画像が有効ですが、原因はセル割れ・接触不良・部分影とさまざまで、熱の異常だけでは根本原因まで特定しきれないことも多いと考えられます。可視画像・熱画像・電気特性を突き合わせて初めて判断できる、という前提を持っておくことが大切です。
低コントラスト欠陥の検査では、学習データやモデルより先に「そもそも欠陥が撮像で見えているか」が精度を決めます。人の目に見えないものを、そのままの照明でカメラに写してAIに投げても検出は安定しません。太陽光パネル検査で使われうる撮像の考え方を波長ごとに整理します。
汚れ、割れ（マクロな破損）、変色、異物の付着など、人が見て分かる範囲の欠陥は可視カメラで捉えられます。ただし屋外では日射の映り込み（テカリ）やガラス面の反射が大きな外乱になり、撮像角度・偏光フィルタ・時間帯の設計が効いてきます。製造ラインでは照明を制御できるため、反射を抑えるライティングと欠陥を浮き立たせる照明の作り込みが精度に直結すると考えます。
可視では見えないマイクロクラックやセル内部の欠陥は、EL（エレクトロルミネッセンス）撮像のように、通電したセルが発する近赤外の発光を捉える手法が用いられます。健全なセルは均一に発光し、割れや断線部は暗く写るため、低コントラスト欠陥を「見える化」できます。撮像波長・露光・暗室条件を整える必要があり、まさに照明・撮像設計が主役になる領域です。
稼働後アレイでは、サーモグラフィで局所発熱を捉える点検が一般的です。ドローンに熱カメラを載せて上空から広域を撮像し、温度分布の異常箇所を洗い出す運用は、高所・広域設備を対象とするインフラ点検の画像AI化と発想を共有します。ただし日射条件・風・パネルの傾きで見かけの温度は変わるため、撮像条件の記録と正規化が判断の前提になると考えます。
撮像で欠陥が見えるようになった上で、判定をどう設計するか。太陽光パネルのように「正常のばらつきが大きく、欠陥が微妙」な対象では、単純な良品/不良品の二値分類より、正常からの逸脱をどう扱うかの設計が肝になります。ここは元キーエンス画像処理事業部の現場知見が効く領域だと考えています。
電極の断線やバスバーのずれのように、位置・寸法が定義できる欠陥は、従来型の画像処理（寸法計測・パターンマッチング）で安定して拾えることも多くあります。一方、汚れの程度、変色、割れの進展のように「言葉で基準を書けるが数値化しにくい」欠陥は、VLM（視覚言語モデル）による柔軟な判定が候補になりえます。すべてをAIに置き換えるのではなく、確実な部分はルールベースで固め、判断の揺れる部分をVLMが補う組み合わせが現実的だと考えます。Vision AI製品はこうした外観検査向けの画像AIを対象にしています。
検査系の再現性は、照明・カメラ・距離・角度・露光といった撮像仕様が固定されているかで決まります。ここが毎回変動すると、いくら学習データを増やしても精度は安定しません。まず撮像仕様を凍結し、その条件で欠陥・良品の見え方を検証してから判定ロジックへ進む――この順序を守ることが、後の運用の安定に効いてくると考えます。認識率などの数値は撮像条件と現物に強く依存するため、現物での撮像検証を経ずに具体値を約束することはできません。
製造ラインの検査が「一箇所で流れてくるものを見る」のに対し、発電所の点検は「広大な敷地に固定されたものを見に行く」運用設計が問われます。ここでのAIの価値は、見逃しをゼロにすることよりも、人が現地確認すべき箇所を効率よく絞り込むトリアージにあると考えます。
ドローンで上空から熱・可視画像を取得し、温度や外観の異常が疑われる箇所を自動で抽出できれば、点検員は全パネルを一枚ずつ確認する代わりに、候補箇所へ集中できます。固定監視カメラを組み合わせれば、汚れの蓄積や積雪の状況を継続的に把握することも考えられます。稼働後アレイの状態を継続的に見続ける仕組みは、遠隔監視サービスの発想と接続します。
点検は異常を見つけて終わりではなく、清掃・交換・回路点検といった保全アクションに接続してこそ発電量の維持につながります。画像で捉えた劣化・異常の兆候を蓄積し、進展を追いながら保全の優先順位を判断していく――この流れは予知保全AIソリューションが目指す考え方そのものです。単発の点検を、継続的な状態把握と保全計画へ育てていくことが、O&Mの省人化に効いてくると考えます。
製造側で「今のラインを止めずに検査を強化したい」という要望は多くあります。既存設備に撮像とAI判定を後付けするエッジAIレトロフィットのように、大規模な設備更新を伴わずに検査工程を追加していくアプローチも、導入のハードルを下げる一つの手だと考えます。
検討の初期段階で見落とされがちな、しかし後から効いてくる落とし穴を挙げます。いずれも「やってみないと分からない」部分を含むため、最初から想定に入れておくことが手戻りを減らすと考えます。
太陽光パネルの外観検査自動化は、いきなり全数・全域の無人化を目指すより、対象を絞った現物検証から段階的に広げていくのが現実的だと考えます。おおまかな流れを示します。
まず自社の課題が製造ラインなのか稼働後アレイなのかを定め、失点に直結する欠陥を数種類に絞ります。すべてを一度に狙わず、「まずこの欠陥を安定して捉える」から始めることで、撮像設計も判定設計も具体化します。
実際のパネル・実際の欠陥品を用意し、可視・近赤外・熱のうち適した波長で、照明・角度・距離を変えながら「欠陥が見えるか」を確認します。ここで見え方が固まって初めて、判定の精度を現実的に議論できます。数値目標はこの検証結果を踏まえて設定するのが誠実だと考えます。
撮像仕様を凍結し、ルールベースとVLMを組み合わせて判定を設計、まずは一部工程・一部アレイで運用しながら過検出と見逃しのバランスを調整します。運用しながら基準を育てる前提で始めると、現場に無理なく定着していくと考えます。
小規模運用で手応えが得られたら、遠隔監視や保全計画との連携を組み込み、点検を継続的な状態把握へと育てていきます。省人化の効果は運用の中で徐々に現れるもので、最初から確定した数値を約束できるものではありませんが、客観的な撮像・現物検証を出発点にすれば、着実に前へ進められると考えます。
可視光では見えにくいマイクロクラックは、EL（エレクトロルミネッセンス）撮像のように近赤外の発光を捉える手法で「見える化」した上で判定する考え方が候補になります。撮像で欠陥が写っているかが精度を大きく左右するため、照明・波長・撮像条件の設計が前提です。実際にどこまで安定して捉えられるかは、現物・現場での撮像検証を経て判断すべきと考えます。
サーモグラフィで局所発熱を捉える点検が一般的で、ドローンに熱カメラを載せて広域を撮像する運用も用いられます。ただし日射・風・傾きで見かけの温度は変わり、熱の異常だけでは原因（セル割れ・接触不良・部分影など）を特定しきれないことも多いと考えられます。可視画像や電気特性と突き合わせて判断する前提を持つことが大切です。
同じパネルを対象にしていても性質は大きく異なると考えます。製造ラインは照明・距離を制御して一枚ずつ高精細に見る世界で、稼働後アレイは屋外の制約下で膨大な枚数を広域に見る世界です。拾いたい欠陥も適した撮像波長も違うため、まず自社の対象がどちらかを切り分けることが検討の出発点になります。
大規模な設備更新を伴わず、既存設備に撮像とAI判定を後付けするレトロフィットの発想であれば、ラインを大きく止めずに検査工程を追加していくアプローチも一つの手だと考えます。ただし設置スペースや撮像条件の確保は現場ごとに異なるため、実機での検証を前提に段階的に進めるのが現実的です。
認識率などの数値は、対象とする欠陥・撮像条件・パネルの状態に強く依存するため、検証前に一律の数値をお約束することはできません。まず現物と実際の欠陥品を用いた撮像検証で「欠陥が見えるか」を確認し、その結果を踏まえて現実的な目標を設定するのが誠実だと考えます。発電量や制度に関わる数値は、所管省庁の最新の公表資料でご確認ください。
太陽光パネルの検査は、撮像で欠陥が見えているかどうかが精度を大きく左右します。元キーエンス画像処理事業部の現場知見をもとに、可視・近赤外・熱のどの撮像が適するかを、実際のパネル・欠陥品を用いた現物検証からご一緒に確かめます。製造ラインでも稼働後アレイでも、対象を絞った検証から始められます。
太陽光パネルの外観検査について相談する