マシンビジョン外観検査でサンプル・照明・検収指標を評価する方法

カスタム技術サービス

外観検査プロジェクトの成否は、サンプル網羅性、撮像安定性、検収指標が企画段階で明確になっているかに左右されます。

サンプル評価

正常品、境界サンプル、代表的欠陥、少数の難例を含め、理想的な画像だけでモデルを評価しないようにします。

正常品と異常品の比率

欠陥サイズ・位置・形状の変化

材料反射・背景ノイズ

異なるロット・稼働条件のサンプル

アルゴリズム開発の前に、照明、レンズ、カメラ設定によって欠陥が安定して見える状態を作ります。

拡散照明、同軸照明、バックライトなど

視野・解像度・被写界深度の評価

トリガ方式・モーションブラー制御

露光・ゲイン・取付角度の固定

ルールベース、従来型画像処理、深層学習を組み合わせ、欠陥特性と検収要件に合う方式を選択します。

寸法計測・エッジ検出

分類・検出・セグメンテーションモデル

欠陥信頼度・しきい値設計

目視確認・継続改善の仕組み

過検出率、見逃し率、タクト、安定性、追跡可能な記録を検収範囲に明記します。

欠陥種類別の精度

バッチサンプルでの過検出・見逃し

1個当たり検査時間・ラインタクト

異常画像の保存・追跡

まず実現性検証は可能ですが、本番では実サンプルを継続的に追加しないとモデルの汎化性能が不足します。

必須ではありません。形状が明確でルールが安定した欠陥は従来型画像処理で対応でき、複雑な模様や多様な欠陥には深層学習が適しています。