鋼板・条鋼・線材の表面疵検査が高温・高速・反射・スケールゆえに難しい構造を解説。スリ疵・ヘゲ・ロール疵などの欠陥種別、照明と撮像の設計、画像AIによる連続検査の考え方を、元キーエンス画像処理事業部出身の知見から整理します。
鉄鋼製品の表面疵検査は、画像検査の中でも難度が高い領域のひとつだと考えられます。理由は欠陥が小さいからというより、検査対象そのものが「画像にしにくい」性質を多く備えているためです。まずはこの構造を分解して整理します。
熱間圧延ラインでは、鋼材が数百度以上の高温で自ら発光している場合があり、可視光カメラにとっては被写体が強い光源を兼ねる状態になります。冷間でも、圧延・研磨を経た金属面は鏡面に近い反射特性を持ち、照明や周囲の構造物が表面に映り込みます。さらにラインは高速で流れ、表面にはスケール（酸化被膜）、圧延油、冷却水の水滴、付着粉が時々刻々と変化しながら乗っています。つまり「同じ製品の同じ良品面」でも、撮像のたびに見え方が変わりうる対象だと考えるのが現実的です。
表面疵の多くは、深さ数十マイクロメートルから数ミリ程度の微細な凹凸や色調変化として現れます。これらが鏡面反射やスケール模様、油膜の干渉色といった「正常だが派手な背景」に紛れると、欠陥のコントラストが相対的に埋もれます。人の目は経験で「これは疵、これはスケール」と切り分けますが、その判断は照明条件や見る角度に強く依存しており、属人化しやすい領域です。目視検査の限界については目視検査の限界と解決アプローチでも整理しています。
これらを踏まえると、鉄鋼表面検査の難所はアルゴリズム以前に「欠陥を欠陥として見える状態で撮ること」にあると考えられます。どんなに優れた判定ロジックでも、画像上に欠陥の信号が立っていなければ検出は困難です。逆に、照明と撮像を欠陥種別に合わせて設計できれば、後段の判定は大幅に扱いやすくなる可能性が高いと考えます。本記事はこの「撮像設計を起点に考える」立場で、欠陥種別・光学設計・AIの役割の順に整理していきます。
表面疵と一括りにされがちですが、発生機構が異なれば画像上の現れ方も異なります。検査設計の出発点として、代表的な欠陥種別と、それぞれが「どの光で立つか」の傾向を整理します。なお呼称や分類は現場・製品によって差があるため、ここでは一般的な傾向としてお読みください。
搬送やハンドリングで生じる線状の引っかき疵です。多くは表面に対して浅い溝状の凹凸となり、光を斜めから当てたときに溝の側面で陰影が立ちます。正反射に近い照明では母材と区別しにくい一方、ローアングルの斜め照明では線状欠陥が強調されやすい傾向があります。方向性を持つため、疵の向きと照明・搬送方向の関係が検出率を左右する可能性が高いと考えられます。
素材内部の介在物や鋳造欠陥が圧延で引き伸ばされ、表面が薄く剥がれかけたような状態として現れる欠陥です。めくれ・段差・色調変化を伴うことが多く、凹凸成分と濃淡成分の両方に信号が出やすい一方、スケールの剥離跡と外見が似る場合があり、良否の切り分けが難しい種別と考えられます。
スケールそのものは酸化被膜であり、必ずしも不良ではありません。しかし不均一なスケール、押し込まれたスケール（スケール疵）、剥離跡などは外観上の問題となりえます。スケールは色調・反射ともに変化に富むため、「正常なスケール模様」と「欠陥」を同じ画像上でどう分離するかが設計の肝になります。
圧延ロールの損傷や付着物が、製品表面に一定周期で転写される欠陥です。単体の見え方は小さくても、ライン方向に等間隔で繰り返すという特徴を持ちます。1枚の画像では見逃しても、周期性という時間軸・空間軸の情報を使えば検出の手がかりになりうる点が、他の散発的欠陥との違いです。
髪の毛のように細い割れで、幅が極めて狭く、コントラストも低い傾向があります。表面の微小な段差や、割れに沿った反射の乱れとして現れることがあり、高い空間分解能と適切な照明角度の両立が求められる難種別だと考えられます。
つまり「全欠陥を一発で捉える万能照明」は想定しにくく、検査仕様は捕捉対象の欠陥リストから逆算して設計するのが現実的だと考えます。寸法・形状系の検査設計の考え方は寸法検査の設計ガイドも参考になります。
前章の通り、鉄鋼表面検査では撮像設計が成否を大きく左右すると考えられます。ここでは照明・カメラ・幾何配置の観点を、設計の判断軸として整理します。
金属表面検査の照明は、大きく「正反射を使うか、拡散反射を使うか」「正面から当てるか、斜めから当てるか」の組み合わせで考えられます。鏡面に近い面では、明視野（正反射を受光）にすると母材が明るく欠陥が暗点として出る一方、映り込みの影響を受けやすくなります。暗視野（斜め照明で乱反射成分を受光）にすると、平滑な母材は暗く、凹凸を持つ欠陥だけが明るく光る——というように、同じ対象でも照明方式で欠陥の見え方が反転します。どちらが正解かは欠陥種別次第であり、複数照明の切り替えや併用が必要になる場合もあると考えられます。
強い反射は鉄鋼検査の常に付きまとう課題です。偏光フィルタによる映り込み低減、照明の指向性制御、被写体周囲の遮光や艶消し化といった物理的対策は、後段の画像処理を軽くするうえで有効な手立てになりえます。ソフトウェアで無理に補正するより、撮像段階で不要な光を入れない設計のほうが安定する傾向があると考えられます。
連続して流れる帯状の鋼板・線材には、エリアカメラよりラインスキャンカメラが適する場面が多いと考えられます。ラインセンサは1ラインずつ連続撮像して長尺の画像を構築するため、搬送速度に同期させれば継ぎ目のない全長検査が可能になります。一方で、搬送速度の変動・蛇行・振動が画像の歪みに直結するため、エンコーダ同期や機械的な安定化が前提になります。分解能は「捉えたい最小欠陥幅に対して何画素割り当てるか」から逆算するのが基本で、ここを欲張りすぎると視野・速度・データ量とのトレードオフが厳しくなります。
熱間ラインでは輻射熱・水蒸気・粉塵がカメラと照明に常に作用します。冷却・防塵筐体、エアパージ、設置距離の確保といった環境設計は、画質維持と機器寿命の両面で外せない要素です。自発光する高温材では、特定波長を使う、あるいは外部照明を相対的に強くするなど、被写体自身の光と検査光を分離する工夫が論点になりうると考えられます。
これらを踏まえると、検査システムは「捕捉すべき欠陥を定義し、それが立つ光学を設計し、その上で判定アルゴリズムを載せる」という順序で組むのが筋が良いと考えます。最初に判定ソフトを決め、後から照明を合わせ込もうとすると、欠陥が映っていない画像を相手に精度を追う事態になりかねません。検査ラインを止めずに状態を把握する観点は工程の可視化ソリューションの考え方とも接続します。
撮像が安定して初めて、画像AIが力を発揮しうる段階に入ります。ここでは、鉄鋼表面検査における画像AIの役割と限界を、過度な期待にも過度な悲観にも振れずに整理します。
欠陥検査のすべてをディープラーニングで行う必要はないと考えられます。コントラストが明瞭で、しきい値や形状ルールで安定して捉えられる欠陥は、従来型の画像処理（フィルタ処理、二値化、ブロブ解析など）のほうが軽量で説明しやすい場合があります。一方、スケール模様とヘゲの切り分けのように「正常か欠陥か」の境界が経験則的で、ルール化しづらい判定には、学習ベースの手法が有効に働く可能性があります。両者は対立ではなく、欠陥種別ごとに適材適所で組み合わせる対象だと考えます。
画像AIの仕事は、概ね「欠陥があるか（検出）」「何の欠陥か（分類）」「製品としてどの等級・合否か（判定）」の層に分けて考えると整理しやすくなります。検出は全数を取りこぼさないことが優先され、分類は欠陥種別ごとの工程フィードバックに使え、等級判定は出荷可否や手直し要否の意思決定につながります。すべてを一度に高精度化しようとせず、まず検出層を安定させ、段階的に分類・判定へ広げる進め方が現実的だと考えられます。
鉄鋼の連続ラインは、1枚ごとの良否だけでなく、長尺方向の欠陥分布という情報を生みます。ロール疵の周期性、特定位置に集中する欠陥、時間とともに増える傾向——こうした空間・時間のパターンは、単画像の判定では拾えない工程異常の兆候になりうると考えられます。画像AIを「不良品を弾く門番」だけでなく「工程の状態を映す計器」として使う発想は、表面検査の価値を広げる方向だと考えます。
表面検査では、見逃し（不良を良品と判定）と過検出（良品を不良と判定）はトレードオフの関係にあります。スケールや水滴を欠陥と誤るとライン停止やムダな手直しを招き、逆に閾値を緩めれば見逃しが増えます。どちらをどこまで許容するかは製品の要求品質と後工程のコストで決まる経営判断であり、技術側が一方的に決められるものではありません。導入時はこのバランスを現場と握ったうえで運用閾値を調整していくのが妥当だと考えます。金属部品の外観検査全般の考え方は金属部品の外観検査ソリューションでも扱っています。
検査システムは導入時点が完成ではなく、運用の中で安定度を高めていく対象だと考えられます。鉄鋼ラインのように条件が変動しやすい現場では、特にこの視点が重要になります。
鋼種・板厚・表面処理が変われば、母材の反射やスケールの出方も変わります。季節による水滴・湿度、ロール交換、ライン速度の調整なども画像に影響します。これらの変動に対し、照明・露光の見直し、判定パラメータの調整、必要に応じた再学習という保守のサイクルを回せる体制があるかが、長期的な実用性を左右すると考えられます。検査結果のログを残し、いつ・どの条件で誤判定が増えたかを追える仕組みは、この保守を支える基盤になります。
表面検査AIの難しさのひとつは、不良サンプルが現場に十分に存在しないことです。良品が大半を占めるラインでは、欠陥種別ごとに十分な学習データを最初から揃えるのは困難な場合が多いと考えられます。そのため、運用しながら欠陥画像を蓄積し、分類・判定の精度を段階的に高めていく「育てる運用」を前提に設計するのが現実的です。立ち上げ初期は人の確認を併用し、AIの判定を検証しながら信頼区間を広げていく進め方が無理がないと考えます。
どれほど高精度でも、現場が判定根拠を理解できず、調整もできないシステムは定着しにくい傾向があります。なぜその判定になったかを可視化する、閾値や対象欠陥を現場側で調整できる余地を残す、アラートが運用フローに無理なく載る——こうした「使い続けられる設計」は、精度と同じくらい導入成否を左右する要素だと考えられます。検査自動化を現場運用へ落とす論点は外観検査自動化のガイドでも整理しています。
鉄鋼・金属表面検査の検討で、しばしば見落とされがちな落とし穴を挙げます。先回りで意識しておくことで、PoCの空転を避けやすくなると考えられます。
これらの多くは「技術が足りない」のではなく「設計の順序と前提の置き方」に起因すると考えられます。検査対象と環境を現物で確かめてから設計に入ることが、結果的に近道になる可能性が高いと考えます。
最後に、鉄鋼・金属表面検査の導入を検討する際の進め方を、段階で整理します。仕様書上の精度比較ではなく、実材・実ラインで確かめながら積み上げる姿勢を前提とします。
まず「どの欠陥を、どのサイズから、どの程度の確度で捉えたいか」を、製品の要求品質と後工程コストから定義します。ここが曖昧なまま機器選定に進むと、評価軸が定まらず判断が空転しやすいと考えられます。
定義した欠陥が、どの照明・どのカメラ・どの角度で画像上に立つかを、実際のサンプルで確認します。良品・不良品の両方、できれば変動条件（鋼種違い、スケール違い、濡れ・乾き）を含めて撮像し、欠陥の信号が安定して出るかを見極めます。この段階で「映らない欠陥」が分かることにも価値があります。
撮像で欠陥が立つことを確認できたら、検出・分類・判定のどこまでをAIで担うか、見逃しと過検出の許容点をどこに置くかを現場と合意します。ここは技術だけでなく運用・コストの判断が絡むため、関係者を巻き込んで決めることが定着につながると考えられます。
立ち上げ後は、人の確認を併用しつつ欠陥データを蓄積し、分類・等級判定へ段階的に範囲を広げます。工程の周期欠陥や偏りといったライン全体の情報も、検査を「計器」として活用する方向で育てていけます。
Nsightには、元キーエンス画像処理事業部で照明・撮像・判定の現場設計に携わってきた知見があります。鉄鋼・金属表面検査は、カタログ精度や一般論だけでは可否を判断しにくく、対象の反射特性・欠陥の見え方・ラインの変動を現物で確かめることが何より重要だと考えています。私たちは「この欠陥がこの光で立つか」を実材で検証するところから一緒に手を動かし、撮像設計とAIの役割分担を現場に合わせて組み立てていく進め方を大切にしています。まずは捉えたい欠陥のサンプルを前に、現物検証から始めることをおすすめします。
高温材は自発光や輻射熱・水蒸気の影響があり、冷間より難度が上がります。被写体自身の光と検査光を分離する照明設計、冷却・防塵・エアパージといった環境対策が前提になります。可否は対象温度・速度・捕捉したい欠陥によって変わるため、実ラインの条件で撮像が成立するかを現物検証で確かめるのが妥当だと考えられます。
原理的には可能性がありますが、容易ではありません。スケールは正常な場合も多く、欠陥との境界が経験則的なため、照明設計で陰影や濃淡の差を立てたうえで、学習ベースの分類を組み合わせる approach が有効に働きうると考えられます。十分な欠陥サンプルを運用の中で蓄積し、分類精度を段階的に育てていく前提が現実的です。
連続して流れる帯状・長尺の鋼板や線材には、継ぎ目のない全長検査ができるラインスキャンが適する場面が多いと考えられます。一方、定位置で個片を検査する用途や、二次元的な広がりを一度に捉えたい場合はエリアカメラが向くこともあります。搬送形態・速度・捕捉欲しい最小欠陥から逆算して選ぶのが基本です。
良品が大半を占める鉄鋼ラインでは、不良データが集まりにくいのが一般的です。立ち上げ初期は人の確認を併用し、運用しながら欠陥画像を蓄積して分類・判定を育てる前提で設計するのが現実的だと考えます。最初から全欠陥種で高精度を求めるより、検出層を先に安定させ段階的に広げる進め方をおすすめします。
搬送やレイアウトに大きな改造を加えず、カメラ・照明・処理ユニットを後付けする形で検討できる場合があります。ただし設置スペース、振動・蛇行、環境（熱・粉塵）の条件次第で実現性は変わります。まずは対象工程の現物を確認し、撮像が成立する設置位置と条件を見極めるところから始めるのが確実だと考えられます。
鉄鋼・金属表面検査は、カタログ精度ではなく実材で「この欠陥がこの光で立つか」を確かめることが起点です。元キーエンス画像処理事業部出身の知見で、撮像設計からご一緒します。
現物検証・検査の相談をする