透明フィルムや軟包材の連続シートに生じるシワ・気泡・異物・スジを、どう画像で捉えAIで判定するか。低コントラスト・反射・透明体という難所を、照明設計から運用までの観点で整理します。成形品とは別物として扱うべき理由も解説します。
食品・医薬・日用品の包装に使われる透明フィルムや軟包材（ラミネートフィルム、OPP、PET、ナイロン、各種シーラントフィルムなど）の検査は、金属部品や成形品の検査とは質的に異なる難しさを抱えています。多くの場合、欠陥が「小さくて見つけにくい」のではなく、そもそも「画像に写りにくい」ことが本質的な課題だと考えられます。
その理由は、透明フィルムという対象が同時に三つの厄介な条件を持っているためです。第一に透明体であること。背景がそのまま透けるため、欠陥と背景のコントラストがつきにくくなります。第二に低コントラストであること。シワや薄い気泡は、素材そのものとほぼ同じ屈折率・色を持つため、輝度差として現れにくいのです。第三に反射があること。フィルム表面は光をよく反射し、照明やカメラ、周囲の構造物が映り込むことで、欠陥よりも目立つ「偽の模様」を作り出します。
これらが重なると、人間の検査員ですら角度を変えながら何度も見直すことになります。熟練者は無意識にフィルムを傾け、照明にかざし、反射の出方を変えながら欠陥を浮かび上がらせています。つまり検査の本質は「判定」よりも前段の「可視化」にあるとも言えます。ここを軽視してカメラを正面に置いて撮るだけでは、AIモデルがどれほど高性能でも、写っていない欠陥は検出できません。
このため、透明フィルムの検査をAIで検討する際は、いきなり「どのモデルを使うか」ではなく「どう照らせば欠陥が画像上で識別可能な信号になるか」から入る必要があると考えます。視覚検査の限界と対処の考え方については目視検査の限界と解決の方向性でも整理しています。あわせて、検査自動化の全体像は外観検査自動化ガイドが参考になるはずです。
同じ「透明」でも、射出成形された透明樹脂部品（ボトル、レンズ、ハウジングなど）の検査と、フィルム・軟包材の検査は別物として扱うべきだと考えています。成形品は形状が固定された立体で、一個ずつ撮像でき、基準形状との比較がしやすい対象です。一方フィルムは、ロールから連続的に繰り出される薄物のシートで、テンションや搬送で形が変わり、流れ続けます。判定単位も「一個」ではなく「面のどこか」になります。透明成形品の検査論点は透明樹脂成形品の外観検査に分けて整理しており、本記事は連続シートとしてのフィルム・包材に焦点を当てます。
透明フィルムの欠陥は一括りにできません。シワ、気泡（ボイド）、異物（コンタミ）、スジ（ダイライン）、フィッシュアイ（ゲル）、ピンホール、シール不良など、種類によって物理的な性質がまったく異なり、それぞれ「どの光で浮かび上がるか」が違います。単一の照明・単一のカメラですべてを捉えようとすると、どれかが必ず犠牲になる可能性が高いと考えます。
シワやたるみは、フィルム表面の微妙な凹凸です。正面から均一に照らすとほとんど見えませんが、低い角度から斜めに光を当てる（ローアングル照明）と、凹凸が陰影となって浮かび上がります。テンションのかかり方で出たり消えたりするため、検査位置でのフィルムの張り具合と照明角度の組み合わせが重要だと考えられます。動的に変化する欠陥なので、ある瞬間に「出ていない」シワを撮り逃すリスクもあります。
気泡やゲル（フィッシュアイ）は、フィルム内部の屈折率が局所的に異なる点です。背面から光を透過させる（バックライト）と、周囲と異なる屈折で光が曲げられ、明るい点や暗いリングとして現れます。レンズのように光を集める性質を使うと、微小なゲルでもコントラストを稼げる可能性があります。透過と反射では見え方が逆転することも多く、両方を撮って情報を増やす設計が有効だと考えます。
フィルムに混入・付着した異物は、色の付いたもの、透明に近いもの、金属片など多様です。色や輝度のある異物は比較的検出しやすい一方、フィルムと同系色・透明の異物は最も難しい部類に入ります。透過光では影として、反射光では質感の違いとして現れることがあり、複数の照明条件での画像を併用すると検出余地が広がると考えられます。食品まわりの異物検査の発想は食品の外観・異物検査とも通じますが、連続フィルムでは搬送と同期した連続撮像が前提になります。
押出やコーティングに由来するスジ（ダイライン）や色ムラ、厚みムラは、点ではなく「流れ方向に伸びる線・帯」として現れます。一枚の局所画像では正常との区別がつきにくく、フィルムの流れ方向に沿って連続性・周期性を見ることで初めて異常として浮かび上がる場合があります。スポット欠陥とは検出ロジックを分けて考えるべき対象だと考えます。
透明フィルム検査では、画像認識アルゴリズムよりも先に、照明・光学・撮像の設計品質がそのまま検出性能の上限を決めると考えています。良い画像が撮れていれば、判定側の負担は大きく下がります。逆に欠陥が写っていない画像からは、いかなる手法でも欠陥を取り出せません。ここはAI以前の、検査装置設計そのものの領域です。
前述のとおり、欠陥種によって透過で見えるもの・反射で見えるものが分かれます。そこで、フィルムの裏側にバックライト、表側に斜光やドーム照明を配し、必要に応じて両方の画像を取得する構成が現実的だと考えます。一台のカメラで時間差をつけて照明を切り替える方法、複数カメラで同時に異なる照明条件を撮る方法など、ラインのスピードと欠陥種に応じて選択することになります。どこまで作り込むかは、検出したい欠陥の優先順位と歩留まりへの影響度から逆算するのが妥当だと考えます。
フィルム表面の映り込み（グレア）は、偏光フィルタの併用で抑えられる場合があります。照明側とカメラ側に偏光板を組み合わせることで、表面反射を選択的にカットし、内部の欠陥を見やすくできる可能性があります。また、内部応力によって生じる複屈折を偏光で可視化し、シワや延伸ムラの判別に利用できることもあります。ただし素材によって効果は大きく異なるため、現物での確認が欠かせないと考えます。
連続シートの全面検査では、ライン全幅をくまなく撮るためにラインスキャンカメラがよく用いられます。フィルムの流れと同期して一行ずつ撮り続けることで、流れ方向に切れ目のない画像を構成でき、幅広・高速の連続シートに向きます。一方、特定箇所のシワやシールのように局所を高解像で見たい場合は、エリア（面）カメラが適することもあります。どちらが良いかは検査対象の幅・速度・欠陥サイズで変わるため、一律には決められないと考えます。
「何ミクロンの欠陥まで見つけたいか」を決めないと、必要な画素分解能もカメラもレンズも決まりません。検出したい最小欠陥に対して画素がいくつ割り当たるか（1欠陥あたり数画素以上が一つの目安）を起点に、視野・解像度・カメラ台数を逆算するのが定石だと考えます。過剰な分解能はデータ量と処理負荷を跳ね上げ、ライン速度に追いつけなくなる可能性もあるため、必要十分を見極める設計が重要です。エッジでの処理負荷の考え方はエッジとクラウドの検査AIの違いも参考になります。
欠陥が画像上に可視化できた前提で、次は「どう判定するか」です。透明フィルム検査では、欠陥種の多様性とサンプルの集めにくさから、単一手法ですべてをまかなうより、性質に応じて手法を組み合わせる方が現実的だと考えています。
透過光で明確なコントラストがつく気泡や、しきい値で切り出せる色付き異物などは、従来型の画像処理（二値化・ブロブ解析・エッジ抽出）でも安定して検出できる場合があります。ルールベースは挙動が説明しやすく、誤検出の原因を追いやすい利点があります。まず古典的手法で取れるものは取り、難しいものだけを学習ベースに回す、という段階的な切り分けが堅実だと考えます。
しきい値では切り分けられない微妙なシワ、薄い色ムラ、テクスチャの乱れなどは、ディープラーニングによる検出・セグメンテーションが向くことがあります。ただし学習には欠陥サンプルが必要で、フィルム欠陥は発生頻度が低く種類も多いため、十分な数を集めにくいのが現実です。良品のみを学習して逸脱を見つける異常検知（アノマリー検出）的なアプローチや、正常な地合いからの差分を見る方法が、サンプル不足を補う選択肢になると考えられます。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整理しています。
近年は視覚言語モデル（VLM）を、欠陥の種類分類や、文章による判定根拠の提示に活用する検討も進んでいます。「これはシワか映り込みか」といった人間でも迷う曖昧な判別で、文脈を踏まえた説明とともに候補を出させる使い方です。ただし現時点では、VLM単体で全数・高速の精密判定を担わせるより、一次検出は古典/DL、二次の仕分けや確認にVLM、といった役割分担が現実的だと考えます。エッジ上でのVLM活用の実像はエッジVLMの取り組みもご覧ください。
透明フィルム検査では、映り込みや地合いの揺らぎを欠陥と誤る過検出（見逃しの逆）が大きな課題になりがちです。過検出が多いとライン停止や良品廃棄が増え、かえって歩留まりを落とします。見逃しを減らすことと過検出を抑えることはトレードオフであり、どちらをどれだけ許容するかは製品の要求品質と工程の事情で変わります。閾値の置き方は数字だけで決められず、現場での合意形成が要ると考えます。
透明フィルム検査がもう一つ難しいのは、検査が単独で完結せず、フィルムの製造・搬送工程と密接に絡む点です。検査装置だけを最適化しても、工程側の条件が変われば見え方も変わります。検査は工程の一部として設計する必要があると考えます。
同じシワでも、フィルムにかかるテンションが強ければ伸びて目立たなくなり、弱ければたるんで現れます。搬送速度が上がればブレやすくなり、照明の露光時間も短くせざるを得ません。つまり「検査が安定するテンション・速度の範囲」を工程側と擦り合わせる必要があり、検査単独では決められない条件が多くあります。逆に言えば、検査で捉えた欠陥傾向を工程条件にフィードバックすることで、不良そのものを減らせる可能性もあります。
連続シートでは、「ロールのどの位置に、どの欠陥が、どれだけ出たか」を記録する欠陥マップが運用上きわめて重要だと考えます。後工程（製袋・印刷・充填）で問題が出たとき、フィルムロールのどの位置が原因かを遡れること、欠陥の多い区間を切り捨てる/格下げする判断ができることが、検査の価値を大きく左右します。これは個別不良の合否だけでなく、面と時系列で品質を捉える発想です。データの蓄積・可視化の基盤は工場データプラットフォームの考え方とつながります。
現場では、外光の差し込み、空調や人の動きによる粉塵、フィルム特有の静電気による塵の付着が、いずれも誤検出や見逃しの要因になり得ます。遮光や陽圧化、除電といった環境側の対策と、画像処理側のロバスト化を組み合わせないと、ラボでは出た性能が現場で再現しない可能性があります。継続的な状態監視の観点は運用モニタリングもあわせてご検討ください。
導入直後に完璧な判定が出ることは稀だと考えています。素材ロットの違い、季節による環境変化、新しい欠陥種の出現などに応じて、閾値やモデルを更新し続ける運用が前提です。最初から作り込みすぎず、検出ログと現場の判断を突き合わせながら育てる進め方が、結果的に早く実用水準へ届くと考えます。導入の段取りは外観検査自動化ガイドも参考にしてください。
これまで述べた論点を踏まえ、透明フィルム・軟包材の検査AIを検討する際に陥りやすい落とし穴を整理します。多くは「画像が撮れていない」「工程と切り離して考えた」ことに起因すると考えられます。
これらはいずれも、ラボのデモでは表面化しにくく、現場で動かして初めて顕在化する種類の問題だと考えます。だからこそ、小さくても実ラインに近い条件での検証を早い段階で行うことが重要だと考えます。PoCでつまずく要因はAI検査PoCが失敗する理由でも整理しています。
ここまで述べてきたように、透明フィルム・軟包材の検査は「どのAIを使うか」よりも前に、「欠陥をどう画像へ写すか」「工程とどう噛み合わせるか」という設計の問題が大きな比重を占めると考えています。したがって進め方も、机上で仕様を固めきるより、現物で見え方を確かめながら段階的に組み上げるアプローチが現実的だと考えます。
まず、実際に問題となっているシワ・気泡・異物・スジの現物を持ち寄り、透過・斜光・偏光など複数の照明条件で撮り比べて、「どの見せ方ならその欠陥が信号として現れるか」を確かめます。ここで写らない欠陥は、後段でいくら工夫しても拾えない可能性が高いため、最初に見極めることが重要だと考えます。
可視化のめどが立った欠陥種に絞り、ルールベース／ディープラーニング／VLMのどれが適するかを、実画像で小さく検証します。最初から全欠陥・全速度を狙わず、効果の大きい欠陥から固めていく方が、早く確実だと考えます。エッジ機器での実装可否やコスト感はエッジ端末での検査実装もご参照ください。
ラボで見えたものが本番でも見えるか、テンション・速度・環境光を実条件に近づけて評価します。欠陥マップやトレーサビリティの運用設計、過検出と見逃しのバランス調整も、この段階で現場と合意していきます。導入後のチューニングを前提に、育てていく運用を組み込みます。
Nsightでは、元キーエンス画像処理事業部出身の監修者の知見をもとに、照明・光学設計から判定手法、工程連携までを一体で検討しています。透明フィルム検査は特に、カタログスペックや一般論だけでは見え方が判断できない領域だと考えており、まずは御社の現物フィルムと実際の欠陥を、複数の照明条件で一緒に撮って確かめるところから始めることをお勧めします。何が写り、何が写らないのかを現場で共有することが、過大な期待や手戻りを避ける最短路だと考えます。検証の進め方はPoC・導入コンサルティング、検査の作り込みはAI外観検査サービスでご相談いただけます。
シワは表面の微小な凹凸であり、正面からの均一照明ではほとんど写らない一方、低角度の斜光照明で陰影として浮かび上がることが多いと考えられます。ただしテンションや搬送条件でシワの出方が変わるため、検出の安定性は工程条件と照明設計に強く依存します。一律に「できます」とは言えず、現物を実条件に近い形で撮って確かめることが前提だと考えます。
フィルム欠陥は発生頻度が低く種類も多いため、欠陥画像を大量に集めるのが難しいケースが一般的です。その場合、良品（正常な地合い）のみを学習して逸脱を検出する異常検知的な手法や、明確に写る欠陥は従来型の画像処理で取る切り分けが選択肢になります。サンプルが揃うのを待つより、集めやすいデータで始められる設計を検討する方が現実的だと考えます。
色や輝度のある異物に比べ、透明・同系色の異物は最も難しい部類です。透過光では影として、反射光では質感差として現れることがあり、複数の照明条件を組み合わせると検出の余地が広がる可能性があります。ただし素材やフィルムの種類によって見え方が大きく異なるため、どこまで捉えられるかは現物での検証を通じて確かめる必要があると考えます。
透明という共通点はありますが、成形品は形状固定の立体で一個ずつ撮像できるのに対し、フィルムは連続シートで流れ続け、判定単位も「面のどこか」になります。照明設計や判定ロジックの一部は通じても、搬送同期やラインスキャン、欠陥マップなど連続シート特有の設計が必要です。別物として設計し直す前提で検討するのが安全だと考えます。
導入直後に完成された精度が出ることは稀だと考えています。素材ロット差や季節による環境変化、新たな欠陥種の出現に応じて閾値やモデルを更新し続ける運用が前提です。最初から作り込みすぎず、検出ログと現場判断を突き合わせて育てる進め方の方が、結果的に早く実用水準へ届くと考えます。
御社の実際のフィルムと欠陥サンプルを、透過・斜光・偏光など複数の照明条件で一緒に撮り、何が信号として現れるかを共有するところから始めます。元キーエンス画像処理事業部出身の監修者とともに、机上の一般論ではなく現物ベースで検証します。
現物で検証を相談する