「解像度が足りない欠陥を、超解像で救えないか」——検査現場でよく上がる相談です。しかし超解像には“復元”と“創作(hallucination)”の境界があり、そこを取り違えると検査の判定根拠そのものが揺らぎます。何ができて何が危ういのか、撮像の物理から整理します。
微小な打痕、髪の毛より細いクラック、印字のかすれ——現場で「今のカメラでは解像度が足りない」という声が上がるとき、実は複数の異なる問題が同じ言葉で語られています。ピクセルが欠陥を跨いでいて分解できていないのか、分解はできているがコントラストが低くて埋もれているのか、あるいはブレやピンボケで情報そのものが失われているのか。原因によって取るべき手が全く違うため、まずここを切り分けないと、超解像を含むどんな後処理も的外れになりかねません。
背景には、製造・食品・物流の各現場が共通して抱える構造的な事情があります。検査対象は年々小型化・高精細化し、要求される欠陥サイズは細かくなる一方で、タクトタイム短縮の圧力から視野は広く取りたい。視野を広げれば1ピクセルが担う実寸(分解能)は粗くなり、細かい欠陥はますます写りにくくなります。人手不足で全数目視が難しくなり自動化の要請が高まる、というマクロな課題が、この「視野とディテールのトレードオフ」を一層シビアにしていると考えられます。
混同されやすいのが「画素数(解像度)」と「光学分解能」と「実際に取得できた情報量」の三者です。画素数を増やしても、レンズのMTFが追いつかず光学的にボケていれば、細部の情報は増えません。逆に光学が優れていても、照明で欠陥にコントラストが付いていなければセンサは差を捉えられません。超解像が扱えるのは基本的に「センサに届いた情報を、より細かい格子に再配置し推定で補間する」領域であり、そもそも撮れていない情報を作り出すものではない、という前提の理解が出発点になります。
超解像を検査で語るうえで最も重要な論点は、その出力が「実在した情報の復元」なのか「学習した見た目の創作」なのか、という一点に集約されます。復元とは、ダウンサンプリングやボケで劣化する前に存在していた高周波成分を、物理的・統計的な手がかりから推定して取り戻す行為です。一方で近年のディープラーニング型超解像は、大量の高精細画像から「らしさ」を学習しており、入力に手がかりが乏しい部分を“それらしく”埋めてしまうことがあります。これが創作(hallucination)です。
写真をきれいに見せる用途では、創作はむしろ歓迎されます。多少事実と違っても人の目に自然で美しければよいからです。しかし検査は正反対の要求を持ちます。検査画像は「判定の根拠」であり、そこに描かれた模様は現実の欠陥と一対一で対応していなければなりません。存在しない微細な筋をネットワークが補ってしまえば過検出(偽陽性)になり、逆に実在する淡い欠陥を「ノイズだろう」と平滑化して消してしまえば見逃し(偽陰性)になります。どちらも検査の信頼性を直接損なう挙動だと考えられます。
超解像後の画像を並べて「明らかにシャープで見やすくなった」と評価する場面は多いですが、見やすさと検査正しさは別の軸です。むしろ滑らかで自然に見える出力ほど、創作が混入していても人が気づきにくいという危うさがあります。検査で超解像を評価するなら、主観的な美しさではなく、既知の欠陥サンプル群に対して「実在欠陥が保存されるか」「非欠陥領域に新たな模様が生じないか」を、現物ベースで定量的に確認する姿勢が欠かせないと考えます。
ひとくちに超解像といっても原理は大きく分かれ、検査での信頼できる度合いも異なります。ざっくり「複数枚を統合する方式」と「1枚から推定する方式」に分けて考えると整理しやすくなります。
対象や光学系をわずかにずらしながら複数枚撮影し、サブピクセルのズレ情報を統合して高精細化する方式です。各フレームには実際にセンサが取得した独立の情報が含まれるため、無から模様を作るのではなく“本当に存在した情報を寄せ集める”方向に働きます。原理的には創作リスクが相対的に低く、検査との親和性が比較的高いと考えられます。一方で対象が静止していること、あるいは動きが既知で安定していることが前提になり、高速搬送ラインでは適用条件を吟味する必要があります。
1枚の低解像度画像から学習済みモデルが高解像度を推定する方式です。手軽で効果が劇的に見えやすい一方、埋め合わせる情報の出どころは「学習データの傾向」であり、目の前の現物ではありません。ここに創作(hallucination)の余地が最も大きく生じます。検査に使う場合は、自社の対象・欠陥に近いデータで挙動を検証し、未知パターンでの振る舞いを把握しておくことが前提になると考えます。
近年はVLM(視覚言語モデル)を検査判断に用いるアプローチも広がっていますが、超解像とVLM判定は役割が異なります。超解像は「入力画像を作り替える前処理」であり、判定の入力そのものを書き換えます。もし前段で創作が混入すれば、後段のAIがどれだけ賢くても誤った根拠の上で判断することになります。だからこそ、AI判定の前に立つ超解像は“情報を足す”より“情報を壊さない”ことを優先すべき工程だと位置づけられます。
実務で最も費用対効果が高いのは、超解像に頼る前に「そもそも欠陥を物理的に写し取る」撮像設計を尽くすことだと考えられます。1ピクセルあたりの実寸(分解能)を欠陥サイズに対して十分細かく取れているか、レンズのMTFがその空間周波数で立っているか、そして照明が欠陥にコントラストを与えているか。この三点が満たされていれば、後段の負担は大きく下がります。順序としてはレンズ選定ガイドで必要分解能から画角と焦点距離を詰め、カメラ選定の考え方でセンサ画素と対象を突き合わせるのが定石です。
見落とされがちなのが照明の寄与です。微小な凹凸やクラックは、正面から均一に照らすと背景に溶け込んで消えますが、低角度のグレージング照明や偏光、ダークフィールドといった手法で影やハイライトを作ると、同じ光学系・同じ画素数でも劇的にコントラストが立つことがあります。超解像で数値的に持ち上げるより、照明設計の基本に立ち返って欠陥を“光で描く”ほうが、はるかに素直で信頼できる情報が得られる場面は少なくありません。
「広い視野で細かい欠陥を、速く」という要求は物理的に矛盾しやすく、超解像はその矛盾を魔法的に解消してはくれません。現実解は、高画素センサ、複数カメラの分割撮像、あるいはラインスキャンによる高精細化など、撮像側の構成で情報を取り切る設計です。こうしたカメラ・レンズ・照明を一体で最適化する光学・ハード一体設計の視点があってはじめて、超解像は“最後のひと押し”として意味を持つと考えます。
では超解像が検査で無意味かというと、そうではありません。使いどころを見極めれば有効な補助になりうると考えられます。効きやすいのは、欠陥の情報が“わずかだが確かに”センサへ届いているケースです。つまり撮像設計を尽くしてもピクセル格子の粗さで一歩届かない、という「あと少し」を埋める用途です。対象が静止でき、マルチフレームで実情報を統合できる条件がそろえば、創作リスクを抑えつつ実効的な精細化が期待できます。
逆に効きにくい、あるいは危険なのは、照明でコントラストが付いておらず欠陥がそもそも埋もれているケースです。ここで超解像をかけると、無い情報を学習の“らしさ”で埋める方向に働きやすく、創作の温床になります。運用に載せる際は、超解像後の画像だけで最終判定せず、原画像と併せて確認できる仕組みにする、判定に用いた領域が実データ由来か推定由来かを意識する、といった運用設計が信頼性を支えると考えます。
超解像を挟むなら、既知の良品・欠陥品による検証データセットを用意し、「欠陥検出率が超解像で本当に上がるのか」「過検出が増えていないか」をペアで測ることが欠かせません。とりわけモデル型超解像は、照明や対象ロットが変わると挙動が変化しうるため、量産で条件が動いたときの再現性を継続的に監視する運用が現実的だと考えられます。導入前の見極めはPoC・検査方式設計の相談のように、現物で小さく試して数字で判断する進め方が向いています。
超解像を検査に持ち込むとき、現場で繰り返し起きやすい失敗を挙げます。多くは「見た目の改善」を「検査性能の改善」と取り違えるところに根があります。
超解像を検査に入れるかどうかは、いきなり技術選定から入らず、撮像の物理から順に潰していくのが堅実だと考えます。おおまかな流れを示します。
まず対象欠陥の最小サイズを実測し、高倍率・適切な照明で撮って「欠陥が物理的にセンサへ届いているか」を確認します。ここで欠陥のコントラストが原画像に存在しなければ、超解像の前に照明・光学の見直しが先です。
分解能・MTF・照明の三点で必要情報を撮り切れるかを検討します。高画素化・分割撮像・ラインスキャン・照明手法の変更で解けるなら、それが最も素直で信頼できる解になりやすい。撮像側で解ける問題を超解像に持ち込まないことが肝心です。
撮像を尽くしてなお格子の粗さで一歩届かない場合に、マルチフレームを軸に検証データセットで効果を定量評価します。検出率が上がり過検出が増えないことを現物で確認できてはじめて、運用に載せる価値が出てくると考えられます。撮像設計から適用判断までを一体で見たいときは、元キーエンス画像処理事業部の現場知見をもつ立場から、現物を前提に伴走する進め方が有効だと考えます。
補える範囲は限定的だと考えられます。超解像は基本的にセンサへ届いた情報を推定で細かく再配置する技術で、そもそも撮れていない情報を無から作り出すものではありません。欠陥のコントラストが原画像に存在しない場合、超解像で救うより照明・レンズ・分解能の撮像設計を見直すほうが素直で信頼できることが多いと考えます。まず現物を撮って情報が届いているか確認するのが出発点になります。
使える場面はありますが、創作(hallucination)のリスク管理が前提になると考えます。1枚から推定する方式は埋め合わせる情報の出どころが学習データの傾向であり、目の前の現物ではありません。存在しない模様の付加や淡い欠陥の消失が起こりうるため、自社の対象・欠陥に近いデータで挙動を検証し、既知サンプルで検出率と過検出率を定量確認したうえで採否を判断することが望ましいと考えられます。
超解像後の画像を原画像と突き合わせ、非欠陥領域に新しい筋やテクスチャが生じていないか、実在する欠陥が保存されているかを既知サンプルで確認する方法が現実的だと考えます。見た目が自然で美しいほど混入に気づきにくいため、主観的な見やすさではなく、検出率・過検出率という客観指標で現物ベースに評価する姿勢が重要になります。
創作リスクを抑えたい検査では、対象が静止できるならマルチフレーム方式が相対的に向くと考えられます。複数枚の実データを統合するため、無から模様を作る方向に働きにくいためです。ただし高速搬送ラインでは撮影条件の制約があり、適用可否は対象の動きやタクトタイムを踏まえた検討が必要です。現物と条件で見極めるのが確実だと考えます。
省力化・生産性向上を目的とした設備投資に対する公的支援は各種存在しますが、対象要件・補助率・公募時期は制度ごとに異なり随時変わります。適用可否や具体的な数値は、所管省庁の最新の公表資料でご確認ください。技術面では、制度活用の前に現物での検査可否を小さく検証しておくと、投資判断の根拠が明確になりやすいと考えられます。
解像度が足りないという課題は、原因によって打ち手が全く変わります。まずは現物を高倍率・適切な照明で撮り、欠陥が物理的にセンサへ届いているかを客観的に把握することから始めるのが確実です。撮像設計から超解像の適用判断まで、現物を前提に一緒に見極めます。
超解像の適用可否について相談する