塗装面は「写らない」ことから始まる
塗装の外観検査が難しい最大の理由は、検査面が鏡のように光を反射する曲面だからです。鏡面に正面から光を当てても、カメラに写るのは周囲の映り込みと照明そのものの反射で、表面の小さな凹凸は見えません。曲面では反射の向きが場所ごとに変わるため、ある場所で見えた欠陥が、少し離れた場所では見えなくなります。
人の検査員は、蛍光灯の映り込みを塗装面に沿って滑らせるように見て、映り込みの線が乱れる場所で欠陥を見つけます。カメラでも同じ原理を使います。明暗の縞模様を塗装面に映し込み、縞の歪みや乱れから凹凸を検出する方法で、塗装検査では縞パターン照明（デフレクトメトリと呼ばれる手法を含む）が撮像の前提になります。
塗装欠陥と写し方
| 欠陥 | 状態 | 写し方 | 判定のしやすさ |
|---|---|---|---|
| ブツ | ゴミ・異物が塗膜に入り込んだ小さな突起 | 縞パターンの局所的な乱れ | 比較的検出しやすい |
| タレ | 塗料が垂れて厚くなった部分 | 縞の流れるような歪み、塗膜厚の変化 | 形が多様で判定基準がばらつく |
| ハジキ | 油分などで塗料がはじかれた凹み | 縞の円形の歪み | 浅いものは検出が難しい |
| ゆず肌（オレンジピール） | 表面の細かい凹凸のうねり | 縞の細かな揺らぎ | 程度の判定が主観的 |
| 色ムラ・艶ムラ | 色や光沢の不均一 | 拡散照明での色・輝度の差 | 限度見本との合わせ込みが最難関 |
| 傷・打痕 | 塗装後の損傷 | 縞パターン、ローアングル照明 | 比較的検出しやすい |
凹凸系の欠陥（ブツ、ハジキ、タレ、傷）は縞パターン照明で、色や光沢のムラは拡散照明と色の計測で見る、というように、欠陥の性質で照明を分けます。1つの照明ですべての欠陥を写すことはできません。照明方式の一般的な選び方は外観検査AIの撮像・照明設計で整理しています。
曲面は多視点で撮る
自動車のボディのような大きな曲面では、1台のカメラと1枚の縞パターンで全面を写すことはできません。面の向きが変わると、縞が映り込む角度が変わり、見えない範囲が出るためです。実務では、複数のカメラと照明を配置したトンネル型の検査装置にワークを通すか、ロボットでカメラと照明を動かして面ごとに撮像します。
公開された外観検査データセットでも、1視点では見えない欠陥があるため複数の視点から撮影する設計が取られています（Real-IADは真上1台と約45度の4台、計5視点）。塗装のように反射の影響が大きい対象では、視点の数と配置が検出率を大きく左右します。視点を増やすほど撮像系の費用と画像の枚数が増えるため、欠陥が出やすい部位と見られやすい部位（顧客が目にする面）に重みを付けて配置を決めます。
AIで判定するときの3つの限界
限界1：色ムラ・艶ムラの判定基準が人によって違う
凹凸系の欠陥は縞の歪みとして客観的に捉えやすいのに対し、色ムラや艶ムラは「どこまでが許容範囲か」が検査員の感覚に依存します。同じ製品を見ても、検査員や時間帯、照明の環境で判定が割れることがあります。AIの学習データの正解ラベルが揺れると、AIはその揺れをそのまま学習します。色ムラをAI化するには、測色計などの数値と限度見本を対応づけ、判定基準を数値で合わせ込む作業が先に必要です。これが塗装検査で最も時間のかかる部分になります。
限界2：微小な欠陥と許容される凹凸の区別
ゆず肌のように、塗装面には許容される細かな凹凸が必ずあります。良品学習のAIは、この許容範囲の凹凸の変化（塗料のロットや気温・湿度による違い）を異常と判定しやすく、過検出の原因になります。ばらつきを含む良品を十分に学習させるとともに、検出した欠陥の大きさや位置で合否を決める後段のルールを組み合わせます。
限界3：検査だけでは不良が減らない
塗装欠陥の多くは、塗装ブースの環境（ゴミ、温度、湿度）、塗料の状態、前処理の不良、塗装ロボットの条件に原因があります。検査で見つけて手直しに回すだけでは、手直しの工数は減りません。検査結果を塗装工程にフィードバックして初めて不良そのものが減ります。
検査結果を手直しと塗装条件につなぐ
塗装検査AIの価値を引き出すには、検査結果の使い道を2つ設計します。
1つ目は手直し工程への指示です。欠陥の位置と種類を、手直し担当者が見る画面やワークの図に表示すれば、手直し箇所を探す時間が減ります。手直し後の再検査の結果も同じワークに紐付けて記録します。
2つ目は塗装工程へのフィードバックです。欠陥の種類・位置・発生時刻を、塗装ブースの温度・湿度、塗料のロット、塗装ロボットのプログラムや条件と突き合わせられるようにします。ブツが特定の時間帯に増えるならブースの清掃や空調、タレが特定の部位に集中するなら塗装ロボットの軌道や吐出量、というように原因の当たりを付けられます。
このためには、ワークの識別（車体番号やシリアル）、検査結果、塗装工程の条件を同じキーで引ける仕組みが要ります。ボディ番号で工程を追跡するMESがある工場では、検査結果をMESの工程実績に紐付けるのが近道です。データのつなぎ方は外観検査AIの判定結果をMESに戻す、自動車工場でのAIの使いどころ全体は自動車メーカーのAI活用で扱っています。
よくある質問
樹脂部品や家電の塗装でも同じ方法が使えますか？
光沢のある塗装面であれば、縞パターン照明で凹凸を捉える原理は同じです。部品が小さければ、トンネル型の大がかりな装置ではなく、固定のカメラと照明、または小型のロボットで撮像できます。艶消しの塗装は鏡面反射が弱いため、通常の拡散照明やローアングル照明が向く場合もあります。
塗装検査の学習データはどう集めますか？
欠陥の種類ごとに、発生頻度の高い時期や部位を狙って集めます。手直し工程で検査員が見つけた欠陥を、位置と種類を記録したうえで撮像する仕組みを作ると、運用しながらデータが貯まります。
検査結果から塗装ロボットの条件を自動で直せますか？
理論上は可能ですが、塗装欠陥の原因は環境・塗料・前処理など複数にまたがるため、まずは人が傾向を分析して原因を特定する使い方が現実的です。原因と対策の関係がはっきりした欠陥から、条件の自動補正を検討してください。
この記事に出てくる用語
外観検査AIの選び方
良品学習か不良学習か、撮像系を誰が持つか。精度の数字だけで選ばないための比較軸 全51本
- 外観検査AIとは？2つの学習方式と導入5ステップを製造現場の目線で解説
- 製造業のAI活用10領域：外観検査・予知保全から設計・技能伝承まで一覧
- 外観検査AI製品の比較軸10項目：学習方式・撮像系の範囲・エッジ対応・再学習の手間
- 自動車メーカーのAI活用：溶接・塗装検査から生産計画・フィジカルAIまで10用途
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
