外観検査の現場で最も使われる3つの画像処理技術 ── エッジ検出、パターンマッチング、ブロブ解析。それぞれの仕組み・得意領域・限界を、キズ検出・位置決め・異物カウントの実例とともに解説する。
エッジ検出は、画像内の明暗が急激に変化する箇所（＝輪郭）を抽出する処理です。製造業の外観検査では、寸法測定、欠けの検出、部品輪郭の確認に不可欠な基盤技術です。人間の目が「モノの境界」を認識するのと同じ原理を、数学的に実現しています。
エッジが発生する原因は主に4つあります。物体の境界（背景との明暗差）、表面の段差（光の反射角が変わる）、素材の変化（色・反射率の違い）、そして影（照明による明暗）です。検査に必要なエッジだけを抽出し、不要なエッジ（ノイズや影）を除去する前処理設計が検査精度を左右します。
Sobel法は3×3の微分フィルタで、X方向（水平エッジ）とY方向（垂直エッジ）を個別に検出します。計算が軽く、リアルタイム処理に適しています。
得意な場面：寸法測定で「水平方向の輪郭だけ検出したい」場合に最適です。例えば、金属シャフトの外径を測定する際、上下のエッジだけを検出してその距離をサブピクセル精度で計測します。垂直方向のノイズは無視できるため、安定した測定結果が得られます。
Canny法は、ガウシアンフィルタによるノイズ除去→勾配計算→非最大抑制→ヒステリシス閾値の4段階で処理します。Sobel法より計算コストは高いですが、1画素幅の細いエッジを高精度に検出できます。
得意な場面：樹脂成形品の欠け・バリ検出。成形品の輪郭を高精度に抽出し、設計データ（CAD）と比較することで欠けやバリの位置とサイズを自動判定します。輪郭が複雑な形状でも、ヒステリシス閾値によってエッジの途切れを防ぎ、連続した輪郭線を得られます。
| 判断基準 | Sobel法 | Canny法 |
|---|---|---|
| 処理速度 | 高速（単純な畳み込み） | 中速（4段階処理） |
| エッジの精度 | 太いエッジ（数画素幅） | 細いエッジ（1画素幅） |
| 方向指定 | X/Y方向を個別に指定可能 | 全方向を一括検出 |
| ノイズ耐性 | 前処理でフィルタが必要 | ガウシアンフィルタ内蔵 |
| 主な用途 | 寸法測定、トレンドエッジ | 輪郭検出、欠け・バリ判定 |
Sobel法で得たエッジ位置をサブピクセル補間する「トレンドエッジ」という手法があります。エッジ近傍の明暗勾配を直線近似し、交点を算出することで0.01画素単位の精度が得られます。画像処理システムの寸法測定機能の多くがこの原理を使っています。高精度な寸法計測が必要な場面では、Canny法よりもSobel＋トレンドエッジの組み合わせが標準的です。
画像処理の検査構成を無料で提案
無料サンプル検証 →パターンマッチングは、事前に登録したテンプレート画像と撮像画像を比較し、最も一致する位置を検索する処理です。製造業で最も使用頻度が高い画像処理技術の一つであり、位置決め（アライメント）、異品検出、欠品検査に幅広く使われます。
検索結果として「位置（X, Y座標）」「角度」「相関値（一致度）」が出力されます。相関値が設定した閾値以上なら「一致あり」と判定します。
撮像画像上でテンプレートをスライドさせ、各位置で画素値の類似度を計算します。正規化相関（NCC：Normalized Cross-Correlation）を使えば、照明の明るさが多少変動しても安定した結果が得られます。
得意な場面：基板上の部品実装確認。はんだ付け後の基板を撮像し、各部品の位置に登録済みテンプレートをマッチングさせて「部品あり/なし」「位置ズレ量」を判定します。
弱点：ワークの回転・スケール変化に弱い。回転があると相関値が急激に低下します。回転対応が必要な場合は、角度をパラメータに加えた回転対応マッチングを使いますが、処理時間が増加します。
テンプレートの輪郭（エッジ）情報だけを使ってマッチングします。画素の明るさではなく形状で照合するため、照明変動・コントラスト変化に非常に強いのが特長です。
得意な場面：金属部品の位置決め。金属表面は照明条件で明るさが大きく変わりますが、輪郭形状は変わりません。エッジベースマッチングなら安定した位置決めが可能です。また、回転・スケール変化にも対応できるため、部品の向きが一定でないバラ積み部品の検出にも使われます。
| 特性 | 濃淡ベース（NCC） | エッジベース |
|---|---|---|
| 照明変動耐性 | 中（正規化で補正） | 高（エッジ情報のみ使用） |
| 回転対応 | 弱（角度探索で対応可能） | 強（標準で回転対応） |
| 処理速度 | 中〜低（画素数に依存） | 高速（エッジ点のみ計算） |
| テクスチャ依存 | テクスチャがある方が安定 | エッジがないと検出不可 |
| 主な用途 | 部品実装確認、印字検証 | 金属部品の位置決め、品種判別 |
外観検査のフローでは、まずパターンマッチングでワークの位置・角度を特定し、その座標を基準に検査領域を設定します。つまりパターンマッチングが「検査の起点」です。ここで位置ズレが起きると、後続のエッジ検出やブロブ解析の検査領域がずれ、誤検出や見逃しの原因になります。パターンマッチングの精度は検査全体の精度に直結するため、テンプレートの登録範囲と照明設計には特に注意を払う必要があります。
ブロブ解析は、二値化後の画像から連結した白（または黒）領域を抽出し、各領域の特徴量を計測する処理です。「ブロブ（blob）」は「塊」を意味し、異物検出、個数カウント、欠陥分類に使われます。
二値化で「背景」と「対象物」を分離した後、対象物の各ブロブについて面積・重心・周囲長・円形度・アスペクト比などの特徴量を算出します。これらの特徴量の組み合わせで、欠陥の種類を分類したり、良否判定を行います。
| 特徴量 | 計算方法 | 検査での使い方 |
|---|---|---|
| 面積 | ブロブに含まれる画素数 | 欠陥サイズの判定。面積閾値でNG判定 |
| 重心（X, Y） | 画素座標の平均 | 欠陥の位置特定。座標をPLCに送信 |
| 周囲長 | ブロブの外周の画素数 | 欠陥の形状複雑度の指標 |
| 円形度 | 4π×面積÷周囲長² | 1.0に近いほど真円。ピンホール検出に有効 |
| アスペクト比 | 外接矩形の長辺÷短辺 | キズ（細長い）vs 汚れ（丸い）の分類 |
| フェレ径 | 指定方向のブロブ幅 | 欠陥の最大幅・最小幅の計測 |
金属部品の表面検査では、二値化後に検出されるブロブを以下のように分類します。
このように、複数の特徴量を組み合わせることで「何が付いているか」まで自動分類できます。分類結果はPLCに送信し、欠陥の種類に応じて排出先を変えたり、工程へのフィードバック（キズが多い→研磨条件の見直し）に活用します。
ブロブ解析の精度は、前段の二値化の品質にほぼ100%依存します。二値化が不適切だと、ノイズが欠陥として検出されたり、欠陥が背景に埋もれたりします。照明→フィルタ→二値化のパイプラインを丁寧に設計し、「欠陥だけが白く浮き上がる」二値画像を作ることが最重要です。第1回で解説した前処理の知識がここで活きてきます。
| 評価軸 | エッジ検出 | パターンマッチング | ブロブ解析 |
|---|---|---|---|
| 得意な検査 | 寸法測定、欠け検出 | 位置決め、異品検出 | 異物検出、個数カウント |
| 処理速度 | 高速 | 中速（探索範囲に依存） | 高速（二値化後） |
| 照明依存度 | 中（コントラスト必要） | 手法による（NCCは中、エッジベースは低） | 高（二値化の品質に直結） |
| 欠陥の定義 | 輪郭の異常として定義 | テンプレートとの差異 | 面積・形状の閾値 |
| 不得意な検査 | 面積・個数の計測 | 不定形欠陥の判定 | 寸法の高精度測定 |
このように、実際の検査では1つの手法だけで完結することはほとんどありません。パターンマッチングで位置決め→エッジ検出で寸法→ブロブ解析で欠陥分類、という組み合わせが標準的なフローです。
エッジ検出は「輪郭を捉える」技術で寸法測定と欠け検出に使い、パターンマッチングは「基準との照合」で位置決めと異品検出に使い、ブロブ解析は「領域の特徴量」で欠陥分類と個数カウントに使います。これら3つの技術を適切に組み合わせることで、製造現場のほとんどの検査課題に対応できます。
ただし、不定形の欠陥（ルールで定義しにくいキズ・色ムラ）や多品種対応が必要な場合は、ルールベースの画像処理だけでは限界があります。第3回では、AI（Deep Learning・VLM）と従来画像処理の使い分け判断を解説します。
Sobelは計算が軽く、寸法測定のように「特定方向のエッジだけ検出したい」場合に向いています。Cannyは非最大抑制とヒステリシス閾値で細いエッジを高精度に検出でき、複雑な輪郭検出や欠け検出に適しています。タクトタイムが厳しい場合はSobel、精度優先ならCannyが基本の使い分けです。
まず照明条件を確認してください。照明が不安定だとテンプレートとの相関値が下がります。次にテンプレートの登録範囲を見直します。特徴が少ない領域を含めると誤マッチの原因になります。正規化相関を使えば明るさ変動に強くなり、エッジベースマッチングに切り替えれば照明変動の影響をさらに抑えられます。
面積だけで判定すると誤分類が増えます。円形度（真円に近いか）、アスペクト比（縦横比）、周囲長を組み合わせることで分類精度が上がります。例えば、キズは「面積小・アスペクト比大」、ピンホールは「面積小・円形度高」、汚れは「面積大・円形度低」のように特徴量を組み合わせて判定します。
寸法測定や位置決めはルールベースの画像処理が依然として最適です。処理速度が速く、結果の根拠が明確で、学習データも不要です。一方、不定形のキズや微妙な色ムラなど「ルールで定義しにくい欠陥」はDeep Learningが得意です。多くの現場では両方を組み合わせるハイブリッド構成が最も効果的です。