はじめに
「会議室でのPoC（概念実証）では完璧だったのに、現場のラインに設置した途端、使い物にならなくなった」
AIソリューションの導入現場において、よく耳にするのがこの声です。特に、築年数の長い工場や、窓が多く外光が入り込む環境を持つ施設において、この現象は顕著に現れます。
多くの担当者は、この問題に直面したとき、まずAIモデルの再学習やアルゴリズムの調整を検討します。「もっと多くの不良品データを学習させれば」「パラメータを調整すれば」と、ソフトウェア側での解決を試みるのです。しかし、入力される画像の質が悪い状態でAIモデルを調整しても、安定した精度は得られないと考えられます。
「Garbage In, Garbage Out（ゴミを入れればゴミが出てくる）」という言葉は、AI開発における原則です。そして、画像認識AIにとっての「良質なデータ」を作るのは、高価なGPUサーバーだけでなく、現場の「照明環境」も重要な要素となります。
今回は、金属部品製造の現場における事例を通して、工場特有の「照明の課題」と、それを物理的なアプローチで解決するプロセスを説明します。人間の目には一定に見えても、AIの目（カメラ）にはノイズとして映る「フリッカー」や「外乱光」。これらをどう制御し、安定した検査環境を構築するか。現場の改善について解説します。皆さんの現場でも、似たような「見えない壁」にぶつかっていませんか？
1. プロジェクト背景：老朽化した工場でのAI導入という挑戦
熟練検査員の引退と自動化への圧力
例えば、自動車エンジンの重要部品を製造する中堅規模の製造業では、創業から長い歴史を持ち、その技術力は大手企業からも信頼を得ている一方で、製造現場の老朽化という課題を抱えているケースが多々あります。
プロジェクトの発端としてよくあるのが、品質保証部門のエースとして長年検査工程を支えてきた熟練工の引退です。彼らの目視検査は、微細なキズや打痕を瞬時に見抜くだけでなく、その日の天候や体調によるバラツキさえも経験則で補正してしまうほどです。
「若手に同じレベルを求めるのは難しい。それに、そもそも人が集まらない」
このような状況から、外観検査AIの導入プロジェクトがスタートします。ターゲットは、月産数万個におよぶ金属部品の表面検査。微細なクラック（ひび割れ）や鋳巣（ちゅうす）を、短い時間で判定するという、難易度の高いミッションです。
変動要因の多い製造ラインの実情
実際の工場環境では、AI導入において多くの課題が存在します。最新鋭のクリーンルームとは異なり、油の匂いと機械の駆動音が響く環境だからです。
まず気になるのは、照明環境の不均一さです。天井には古い水銀灯と蛍光灯が混在し、場所によって色温度も明るさも異なります。さらに、工場の南側には大きな窓があり、日中は日差しがラインに差し込みます。夕方になれば西日が入り、曇りの日は薄暗くなります。
加えて、隣接する大型プレス機の振動が床を伝わり、設置予定のカメラ架台を揺らすこともあります。空気中にはオイルミストが漂い、レンズへの付着も懸念されます。
「この環境で、微細なキズを見つけたい」
このような環境下では、リスクを十分に考慮する必要があります。このプロジェクトの成否は、AIモデルの選定よりも、まず「適切な画像を撮る環境を作れるか」にかかっていると考えられます。プロトタイプ思考で「まず動くものを作る」際にも、入力データの質が担保されていなければ、正しい検証はできません。
2. 直面した「見えない壁」：人間の目には映らないノイズの正体
PoCでは良好だった精度が現場で急落した理由
プロジェクト初期の実験室環境でのPoCでは、遮光されたボックス内で、安定化電源に繋がれたLED照明を使い、サンプル品を撮影します。この段階でのAIモデルの精度は良好な結果を示すことが多いです。
「これならいける！」
期待を胸に現場ラインへの実装を行ったものの、試運転初日のモニター結果から、新たな課題が浮き彫りになるケースは少なくありません。
誤検知が多発し、良品が次々と「NG」として排出されていきます。画像を解析すると、人間の目では見えなかった現象が映り込んでいることがあります。製品の表面に、実際には存在しないはずの「縞模様」が横切っているのです。
犯人は「蛍光灯のフリッカー」と「西日」
この縞模様の原因は、「フリッカー（ちらつき）」です。
工場内の天井照明として使われている蛍光灯は、商用電源の周波数（東日本50Hz、西日本60Hz）に応じて、1秒間に100回または120回点滅しています。人間の目は残像効果によってこれを連続した光として認識しますが、高速なシャッタースピードで撮影する産業用カメラにとっては、この点滅は環境変化となります。
タクトタイム短縮のためにシャッタースピードを上げている場合、この高速撮影と、蛍光灯の点滅周期が同期せず、さらにカメラのイメージセンサーが画像を読み取る方式（ローリングシャッター）と干渉することで、画像上に明暗の帯（バンディングノイズ）が発生すると考えられます。
AIはこの縞模様を「キズ」や「表面ムラ」として学習していません。未知のパターンとして検知し、「異常あり」と判定してしまうわけです。
さらに影響を与えるのが「西日」です。午後になると、工場の窓から差し込む西日がラインの一部を照らします。この外乱光は、製品の金属表面でハレーション（白飛び）を起こし、重要な検査箇所を塗りつぶしてしまいます。逆に、影になった部分は黒つぶれし、キズが見えなくなります。
データログを確認すると、午前中は比較的安定していた誤検知率が、午後から急激に跳ね上がり、日没とともに再び下がるという相関が見られることがあります。
AIのアルゴリズムだけでなく、物理的な環境設計も極めて重要です。
3. 解決策の転換：アルゴリズム調整から「物理層」の改善へ
AIモデルの再学習だけでは解決しなかった理由
現場からは「フリッカーが映り込んだ画像も学習させれば、AIがそれを無視できるようになるのではないか？」という意見が出ることがあります。確かに、理論上は可能です。データ拡張（Data Augmentation）技術を使い、画像に人工的な縞模様ノイズを加えたり、様々な明るさの画像を学習させたりすることで、モデルのロバスト性（堅牢性）を高めることはできます。
しかし、これには課題があります。
一つは「計算コストと精度のバランス」です。ノイズが多い画像から微細なキズを見つけ出すようAIに強いることは、難易度を上げる要因になります。モデルが複雑化し、推論処理に時間がかかるようになれば、タクトタイムを守れなくなる可能性があります。
もう一つは「制御できない変数の存在」です。天井の蛍光灯がいつ切れて交換されるか、あるいは隣のラインで溶接作業が始まって光が漏れてくるか、季節によって太陽高度がどう変わるか。これら全ての変動要因をAIに学習させることは困難です。
「撮像環境」こそがAIの性能上限を決める
画像処理における重要な要素は、カメラが捉えた生データ（Raw画像）です。
そこで、方針を転換し、「AI側で対応する」のではなく、「カメラに入る光を物理的にコントロールする」ことに注力することが有効です。
ROI（投資対効果）の試算もこの決断を後押しします。AIモデルの再学習やパラメータ調整を専門のエンジニアに依頼する場合、コストがかかります。一方、検査ライン専用の照明機材や遮光カーテンの導入にかかるコストは、工夫次第で抑えることができます。経営者視点で見ても、このアプローチは理にかなっています。
「物理層での解決は、一度行えば効果が続く」という点が重要です。
4. 実装の詳細：フリッカーレス照明と遮光対策の具体的手順
具体的な対策として、現場で実践される環境構築の手順を解説します。
PWM制御照明の選定と周波数同期の設定
まず着手すべきは、検査エリア専用の照明導入です。天井の蛍光灯に頼るのをやめ、検査対象（ワーク）を照らすための専用LED照明を設置します。
ここで重要なのが、「フリッカーレス」または「高周波点灯」の仕様を持つ照明を選ぶことです。一般的な家庭用LEDや安価な産業用LEDの中には、調光のためにPWM（パルス幅変調）制御を行っているものがあります。これは高速に点滅させることで明るさを調整する方式ですが、この点滅周期が遅いと、蛍光灯と同じくフリッカーの原因になります。
照明を選定する際は、以下を考慮します。
- 直流（DC）点灯方式: 常に一定の電流を流す方式。安全性が高いです。
- 高周波PWM制御: 調光が必要な場合は、点滅周波数がカメラのシャッタースピードに対して十分に高速なものを選ぶ。
光量調整の細やかさを優先する場合、高機能な電源ユニットとセットになった産業用LEDバー照明（高周波PWM方式）の採用が考えられます。
さらに、カメラ側の設定で「露光時間」を照明の周期と干渉しない値に固定します。もし交流電源の影響を受ける照明を使う場合は、露光時間を電源周波数の整数倍（例：関東なら1/100秒、1/50秒）に設定することでフリッカーを抑制できますが、高速ライン対応が求められる場合は、照明側で対策を完結させることが推奨されます。
既存ラインに後付けできる遮光・偏光対策
次に、「外乱光」への対策です。理想はライン全体を覆うことですが、作業性やメンテナンス性を考慮する必要があります。
そこで、「局所遮光」と「光学フィルター」の組み合わせが有効です。
1. 簡易エンクロージャーのDIY
カメラと照明、そして検査対象が通過するエリアだけを覆うカバー（エンクロージャー）を作成します。素材は、アルミフレームと、遮光性の高い黒色の難燃性シートです。ポイントは、ワークの出入り口に黒いブラシ状のカーテンを取り付けることです。これにより、製品の流れを阻害せずに光の侵入を抑えることができます。
2. 偏光フィルターの活用
金属部品の検査で課題となるのが、照明自体の反射（正反射）によるハレーションです。これを防ぐために、照明側とカメラレンズ側の両方に「偏光フィルター（PLフィルター）」を装着します。それぞれの偏光角度を調整することで、表面のギラつきを抑え、金属表面の微細な凹凸だけを鮮明にすることができます。
コストを抑えた実装のタイムライン
これらの対策は、必ずしも大掛かりな工事を必要としません。アジャイルなアプローチで進めることが可能です。
- Day 1: 段ボールと黒ガムテープで仮の遮光カバーを作り、効果を検証します。この時点で誤検知が減少することを確認します。
- Day 3: アルミフレームと専用シートを発注します。
- Day 7: 週末のライン停止時間を使って、本番用の遮光カバーと新型照明を設置します。
これにより、撮影される画像はクリアになります。背景は暗く、検査対象の金属部品だけが均一な光の中で浮かび上がります。
5. 成果と効果測定：安定稼働がもたらした現場の変化
誤検知率の低下
物理対策の効果は、数字として表れます。
対策前と比較して、過検出率（良品をNGと判定する率）が低下します。以前は検査員が排出された製品を再チェックしていたような現場でも、その手間は削減されます。
また、見逃し（不良品を良品とする率）についても、照明の当て方を最適化したことで、これまで見えにくかった浅いキズまで写るようになり、検出精度が向上します。
照明環境の安定化がAIの再学習コストを削減
副次的な効果として、AIモデルの運用コストが下がります。
以前は、時間帯ごとの画像データを学習させる必要があった環境でも、遮光によって「同じ明るさの画像」が撮れるようになるため、学習データはシンプルになります。
結果として、モデルの構造を軽量化でき、推論速度が向上します。これはAIパイプラインの最適化という観点からも非常に大きなメリットです。
検査員の心理的負担の軽減
AIが「信頼できるツール」へと変わります。照明という物理的な実体を通して問題を解決したことで、AIシステムの仕組みが現場にも理解しやすくなると考えられます。
6. 担当者からのアドバイス：これから導入する企業へ
最後に、外観検査AIを導入する企業へのアドバイスをまとめます。
「まずスマホで動画を撮ってみる」ことから始めよう
現状把握のために、スマートフォンのカメラにある「スローモーション撮影」機能を使ってみてください。
工場の照明の下で、検査対象をスローモーションで動画撮影します。再生したとき、画面が明滅していたら、フリッカーが存在しています。また、時間帯を変えて写真を撮り比べてみてください。仮説を即座に形にして検証する、プロトタイプ思考の第一歩です。
AIベンダー任せにせず、自社で環境をコントロールする意識
AIベンダーはアルゴリズムの専門家ですが、工場の物理環境の専門家ではありません。
「照明はどうなっていますか？」「外光は遮断できていますか？」
この問いかけを、発注側である皆さん自身が持つことが重要です。照明メーカーや商社を巻き込み、デモ機を借りて現場で試す。光を遮ってみる。そうした試行錯誤が重要です。
失敗しないための事前チェックリスト
導入前に以下の項目を確認するだけで、トラブルを減らせます。
- 検査エリアの照度は24時間一定か？（外光の影響はないか）
- 天井照明の映り込みやフリッカーはないか？
- 検査対象（ワーク）に合わせた専用照明を用意しているか？
- カメラや照明を固定する架台は振動していないか？
- レンズへの埃や油の付着対策（エアブローなど）はあるか？
AIは入力されたデータを処理するものです。その計算機に最高のパフォーマンスを発揮させるための「ステージ（撮像環境）」を用意することが重要です。技術の本質を見抜き、ビジネスへの最短距離を描くために、まずは足元の環境から見直してみてはいかがでしょうか。
コメント