ルールベース画像処理とは｜AI外観検査との違いと使い分け
kanrinin「AI外観検査を導入したい」という相談を受けるとき、現場の状況を聞いてみると、ルールベース画像処理をまだ試していないケースが少なくありません。
AIの前に知っておくべき基礎技術として、まずルールベース画像処理の仕組みと特性を整理します。その上でAI検査との違い、そして現場での使い分けの判断基準を示します。
ルールベース画像処理とは
ルールベース画像処理とは、人が事前に定めた判定ロジック（しきい値・条件）に基づいて画像を解析し、良否を判定する手法です。「明るさがX以上なら白、未満なら黒」「この座標に部品があればOK」といった形で、判断の根拠を明示的に設定します。
AI検査が「データから自動的にパターンを学習する」のに対し、ルールベースは「人が決めたルールを忠実に実行する」という点で根本的に異なります。画像の物理的な特性——明るさ、形状、面積、長さ——を数値として扱うため、寸法測定や部品の有無確認といった定量評価に強みを発揮します。
また判定ロジックが明示されているため、なぜNGと判断されたかを説明できる点も現場で重宝される理由の一つです。品質保証の観点から「判断根拠の説明責任」が求められる工程では、この透明性が大きなアドバンテージになります。
代表的な処理とその特性
ルールベース検査は、複数の画像処理を組み合わせて判定ロジックを構築します。実務でよく使われる処理を4つ取り上げます。
① 二値化処理
画像の各ピクセルが持つ輝度値（0〜255）に対してしきい値を設け、白と黒だけで構成された画像を生成する処理です。輝度100をしきい値に設定すれば、0〜99は黒、100以上は白として出力されます。
たとえば、色調の異なる2種類の対象を識別したい場合、まず輝度のヒストグラムを確認してしきい値を決定します。
しきい値を適用すると、対象が以下のように分離されます。二値化後は黒いピクセルの面積カウントや、つながったピクセルの塊（ブロブ）を単位とした個数カウントなどの処理につなげられます。
注意点として、しきい値は固定値のため、照明条件のわずかな変動が判定結果に直結します。導入後に環境が変わった際のメンテナンスコストを事前に見込んでおく必要があります。
② テンプレートマッチング
あらかじめ登録した基準画像（テンプレート）を検査画像の中から探索し、類似度スコアで合否を判定する処理です。文字の印字確認や、決まった位置への部品実装の有無チェックなどで頻繁に使われます。
位置補正処理と組み合わせることで安定性が大きく向上します。後段の検査処理の精度は位置補正の精度に依存するため、この処理の特性をよく理解した上で設計することが重要です。
③ エッジ検出
指定した範囲内で輝度が急激に変化する点を検出し、その座標を定義する処理です。2点間の距離を算出することで画像内の寸法測定が可能になります。1ピクセルあたりの実寸をキャリブレーションしておけば、ミリ単位での測長にも対応できます。
ただし、対象物の傾きや背景との境界があいまいな場合は誤検出が発生しやすく、位置補正を確実に行った後に測定することが前提条件になります。
④ 差分検査
マスター画像と検査対象画像を比較し、差異が生じた箇所を異常として検出する手法です。設定が比較的シンプルで処理速度も速いため導入しやすい反面、位置ずれや良品内のばらつきに対して過敏に反応しやすい特性があります。良品の個体差が大きい製品には不向きなケースが多いです。
ルールベースの限界：「レシピ長大化」という現実
ルールベース検査の運用で最も多く直面する問題が、判定ロジックの肥大化と属人化です。
見逃しが発生するたびにルールを追加し、今度は別の箇所で誤検出が増え、それを抑制するためにさらに条件を重ねる——このサイクルを繰り返すうちに、当初の設計者以外には手が出せないほど複雑なロジックが出来上がります。現場では「このレシピは触れない」という状況が生まれることも珍しくありません。
また、欠陥の種類や位置があらかじめ想定できていない場合は、そもそもルールを定義できません。「なんとなくおかしい」という熟練者の感覚的な判断をロジックに落とし込む作業は、品質保証担当と画像処理エンジニアの密な協働が必要で、相応のコストと時間がかかります。
各処理の前段に挟む画像フィルター（ノイズ除去・エッジ強調・ぼかしなど）の選択もロジックの一部です。フィルターの種類によって後段の検出精度が大きく変わるため、設計の複雑さはさらに増します。
AI検査が有効になる3つの条件
ルールベースの限界が明確になった段階で、AI外観検査の検討が現実的な選択肢になります。特に以下の3条件に当てはまる場合は、積極的に検討する価値があります。
- 良品内の個体差が大きい製品
ルールベースの固定しきい値では正常なばらつきと異常の区別が難しく、過検出が多発するケース。AIは「正常なばらつき」そのものを学習できるため、安定した判定が可能になります。 - 欠陥の外観が不定形・低コントラストである
エッジや面積では捉えにくい「ザラつき」「微細なムラ」といった曖昧な欠陥は、ルールで定義することが構造的に困難です。AIは視覚的特徴を統合的に学習し、人の感覚に近い判定を行えます。 - 欠陥の種類ごとに分類・振り分けが必要
OK/NGの2値判定にとどまらず、欠陥をカテゴリ別に仕分けしてリワークや廃棄の判断に使いたい場合、ルールベースでの実装は煩雑になります。AIはNG画像を欠陥種別で分類する処理が得意です。
現場での判断基準：まずルールベースから試す理由
AI検査の有効性を最大化するには、ルールベースを先に試みることを強く推奨します。理由は検証コストと課題の解像度にあります。
ルールベースはOK/NGの境界を明文化する過程で、「何をどう判断すれば不良か」という検査課題の本質が明確になります。この作業を省いてAI学習に進むと、目視検査時点での判断のゆらぎや矛盾をそのままモデルに取り込むリスクがあります。実際、外観検査機の立ち上げ現場では、OK/NGの境界設定についてほぼ必ず現場との調整が発生します。ルールベースの設定プロセスは、その調整を先取りして行う作業でもあります。
検証スピードの観点でも差があります。AI検査はモデル学習に一定数の画像が必要なのに対し、ルールベースはOK/NGそれぞれ数枚の画像から検証を開始できます。短期間で課題の構造を把握するには、ルールベースのアプローチが現実的です。
ルールベースを試みた上で「これでは対応できない」と判断できた時点で、AI検査の導入検討に移る——この順序が、検査自動化プロジェクトの失敗リスクを下げる実務上の鉄則です。
まとめ
ルールベース画像処理はAIの登場以前から外観検査を支えてきた技術であり、定量評価や判断根拠の説明性において今なお優れた特性を持ちます。一方で、複雑な欠陥パターンや良品のばらつきへの対応には構造的な限界があります。
どちらが優れているかではなく、課題の性質に応じて適切な技術を選ぶ判断力が、検査自動化を現場に根付かせる上で最も重要です。まずルールベースで課題を言語化し、それでも解決できない部分にAIを当てる——この順序を意識することが、着実な自動化への近道になります。
外観検査の自動化について、現場の状況を踏まえた具体的なご相談は、アダコテックまでお気軽にお問い合わせください。
