印刷欠陥検査を支える「視力」の正体：輪郭トラッキングから紐解く

よくある現場の光景：検査機がアラートを鳴らし、オペレーターが駆け寄るが、紙の上には何もない。それが何度か続いた後、機長が感度を2段階下げる。アラートは鳴り止むが、今度は本物のキズを見逃し始める

これは機器の故障ではない。ユーザーとシステムの間で「何をもって欠陥とするか」の認識が擦り合っていないだけだ。認識を合わせるには、カメラの背後にあるアルゴリズムが何を探しているのかを知る必要がある。探しているのは「輪郭」だ。画像内で階調や色彩が急激に変化し、閉じた境界線として囲い込める領域のことである。輪郭がどう抽出され、フレーム間でどう追跡されるのかを掴めば、自社ラインのどのパラメータをいじるべきか、どこに予算を投じるべきかが見極められる

輪郭こそが、機械が安定して定量化でき、かつ人間の目の判断と高度に重なる唯一の特徴量だからだ

コンピュータビジョン分野では古くから、「輪郭をベースに、動画像内の複数オブジェクトをリアルタイムで認識・追跡する」アルゴリズムの枠組みが確立されており、輪郭特徴を用いて複数ターゲットを同時に捕捉・追跡し続ける手法が存在する [1]。この研究自体は印刷向けに書かれたものではないが、扱っている問題構造はウェブ（巻取紙）印刷のインライン検査とほぼ同一だ。画像は常に動き続け、対象は同時に複数存在し、しかもリアルタイム処理が求められる

これを印刷の言語に翻訳してみよう

・ゴミ・汚れ：輪郭があるはずのない白地部分に現れる、面積が小さくコントラストの高い閉じた輪郭

・キズ・スジ：極端なアスペクト比を持つ細長い輪郭。通常は通紙方向に伸びる

・見当ズレ：新しい輪郭ではなく、同一パターンの輪郭が版間で位置ズレを起こしたもの。これが最も決定的な違いだ。「何かが余分に出現した」のではなく、「輪郭の位置合わせ誤差」なのだ

これら3つの欠陥は、システムから見れば全く異なる3つの数学的課題である。現場でよく見かける「ゴミは正確に拾うのに、見当判定では誤判定を連発するシステム」の理由もここにある。ゴミ取りは「余計な輪郭の検出」であり、見当チェックは「既存の輪郭同士の相対位置ズレの比較」であって、使われる閾値パラメータは全くの別物だからだ。ベンダーからシステムを買った際、現場で調整しているのは往々にして片方のパラメータ群にすぎない

決定的な違いは、追跡が「連続フレーム間における同一欠陥の同一性（アイデンティティ）」を処理するのに対し、静止画比較は「この1枚に異常があるかどうか」しか見ない点にある

輪郭ベースのリアルタイム複数オブジェクト追跡がもたらす最大の価値は、動画像の中で複数ターゲットの認識と位置関係を同時に維持できる点にある [1]。印刷現場に置き換えると、この意味は極めて具体的だ。同一の欠陥を10回重複してカウントするかどうかが、これで決まる

計算してみれば一目瞭然だ。印刷速度を300 m/minとすると、秒速5メートル。カメラが秒間30フレームで撮像する場合、胴に付着した持続的な汚れ（例えば圧胴にこびりついたインキカスなど）は、連続する数十フレームにわたって繰り返し出現する。（※これは換算による試算であり、実際の数値は機械や撮像設定によって異なる。）トラッキング機能のないシステムは、これを数十件の独立した欠陥としてアラートを上げ、突発的な真の欠陥を埋もれさせてしまう。一方、トラッキング機能があれば「これは同一の輪郭が周期的に再出現している」と認識し、紙ではなくシリンダー側のトラブルだと判断できる

突発的な欠陥と周期的な欠陥の切り分けこそ、輪郭追跡がもたらす最大の現場メリットだ。 前者なら損紙を抜き取るだけで済むが、後者は印刷機を止めてシリンダーを清掃しなければならない。システムが「ある／なし」しか判定できないなら、この切り分けは永遠に熟練オペレーターの勘に頼ることになる

誤検出の大半が「輪郭は存在するが、欠陥ではないもの」から発生しているからだ。網点、紙の地模様、テクスチャ、微細な正常文字は、アルゴリズムから見ればすべて正当な輪郭として映る

ここが印刷検査と一般的な工業製品検査との決定的な違いである。金属ボルトの検査なら背景はクリーンだが、印刷物の検査では背景そのものが無数の輪郭の塊だ。175 lpiの4色印刷物なら、1平方インチあたり数万個の網点が存在し、その一つひとつが輪郭（境界線）を持つ。このノイズの海から0.3 mmのゴミを拾い出す作業は、本質的に「ノイズの中からシグナルを探す」行為に等しい

実務において誤検出を抑え込むには、次の3ステップを順番通りに進める必要がある

・1. まず光学解像度が足りているかを確認する。 これはハードウェアの限界であり、ソフトウェアでは救えない。概算すると、カメラの横4096ピクセルで1000 mmの紙幅をカバーする場合、1ピクセルは約0.24 mm。これで0.3 mmの欠陥を安定検出するのは、わずか1〜2ピクセルに頼る博打のようなものだ。0.3 mmを確実に捉えるには、欠陥が最低でも3〜5ピクセルをまたぐ必要がある。解像度不足の状態でパラメータをいじってもすべて徒労に終わる

2. 次にゴールデンサンプル（基準画像）を校正する。 比較基準となるサンプルの段階ですでに軽微な汚れや色ムラを含んでいれば、その後に流れる正常品はすべて異常と判定されてしまう

3. 最後にようやく閾値を調整する。 しかもエリア別に設定しなければならない。大面積のベタ部、微細文字部、白地部では、許容できる輪郭密度が全く異なる。画面全体に単一のグローバル閾値を適用すれば、あちらを立てればこちらが立たなくなるのは必然だ

現場で最も多い失敗は、最初の2ステップを飛ばしていきなり第3ステップのパラメータ調整に手を出すことだ。それはハードウェアや基準の不備をソフトウェアの感度で誤魔化そうとする行為であり、結果は冒頭の通り「アラートは静かになったが、欠陥は見逃す」という結末を招く

「拾えるかどうか」だけでなく、追跡と分類の能力を問うべきだ。ここがシステムの真価を分ける決定的な境界線となる

具体的には、契約前に以下の4点を確認しておきたい

・突発欠陥と周期的欠陥を区別できるか？ これは、単なる1枚ごとの画像比較ではなく、複数フレームにまたがる輪郭追跡を備えているかを直接示す指標だ

・最小検出可能欠陥サイズは、どの紙幅・どの印刷速度で測定されたものか？ 幅・速度・サイズの3要素はセットで語られなければならない。「0.2 mmまで検知可能」という単独の数値には何の意味もない

・見当ズレはどのようなメカニズムで判定しているか？ ゴミ検出と同じ閾値処理を使っているという回答なら、見当判定はおまけ程度の機能にとどまっている可能性が高い

・誤検出データをフィードバックして再学習させられるか？ オペレーターの「これは誤検出」という操作から学習できないシステムは、3ヶ月もすれば手動で感度を下げられ形骸化する

今すぐできる現実的な次の一歩はシンプルだ。いきなりシステムを買い替えるのではなく、過去1ヶ月のアラート履歴を抽出し、真の欠陥と誤検出を手作業でラベリングして欠陥種別ごとに分類してみることだ。 この一覧表を見れば、問題が解像度にあるのか、基準サンプルにあるのか、あるいは閾値設定にあるのかが即座に浮き彫りになる。わずか数時間の手間で、誤った設備投資を防ぐことができる

適用限界についても明記しておく必要がある。上記のアプローチは「印刷物自体に安定した繰り返しパターンが存在する」という前提に立っている。小ロット品、バリアブル印刷（VDP）、1枚ごとに絵柄が異なるパーソナライズ印刷には比較用のゴールデンサンプルが存在しないため、「比較検査」ではなく「ルールベースの異常検知」に切り替える必要があり、前述のステップ2は成り立たない。同様に、透明原反、アルミ蒸着紙や箔押し、高光沢加工品などは光学条件が極端に変動し、輪郭抽出の信頼性が著しく低下するため、アルゴリズムではなく照明設計（ライティング）によるアプローチが不可欠となる

AI印刷検査の基盤言語は「輪郭」である。ゴミは余分な輪郭、キズは極端なアスペクト比を持つ輪郭、見当ズレは既存輪郭の相対変位であり、3者は異なる数学的基準で判定されるため閾値パラメータは共有できない

リアルタイム複数オブジェクト輪郭追跡は、動画像の中で複数ターゲットの認識と位置を同時に維持できる [1]。現場におけるその価値は突発欠陥と周期的欠陥の切り分けにあり、後者は機械を止めてシリンダーを清掃すべきサインとなる

誤検出を抑える正しい手順は「光学解像度の確保 → ゴールデンサンプルの校正 → エリア別閾値設定」である。前2段階を飛ばして閾値だけをいじるのは、ハードの不備をソフトで帳尻合わせする行為であり、見逃しに直結する

特定サイズの欠陥を安定検出するには、実務上その欠陥が3〜5ピクセルをまたぐ必要がある。1〜2ピクセルしか割り当たらない場合、解像度がボトルネックとなる

導入前には、システムが突発欠陥と周期的欠陥を判別できるか、そして最小検出サイズがどのような紙幅と印速のもとで測定されたものかを確認することが不可欠だ

印刷製造の現場において、輪郭追跡は品質管理の役割を「不良品の抜き取り」から「設備状態の診断」へと押し上げる。システムが同一輪郭の周期的再出現を認識できれば、検査データはシリンダー、ブランケット、インキ供給系統の健康診断データへと変わり、品質管理コストを予防保全の情報へと転換する道が開ける。デザイン側にとっては、レイアウト自体が検査適性に影響を与えることを意味する。高網点密度の総ベタ地紋や極細の白抜き文字は、システムのSN比を悪化させる。将来の製造性考慮設計（DFM）には「検査しやすさ」の視点が組み込まれるべきだ。AI導入者に対する最も実践的な助言は、すべてのリソースをモデルに注ぎ込まないことだ。現場のボトルネックの大半は光学系と基準サンプルにあり、アルゴリズムの先進性ではない。SaaS事業者にとっての真の空白地帯は、誤検出フィードバックのクローズドループにある。オペレーターの判定を吸い上げ、工場横断で欠陥サンプルライブラリを蓄積し、パラメータ調整に還元するクラウド基盤は、単に高精度なモデルよりも遥かに高い事業価値を持つ。今後の未解決課題は3点ある。第1に、ゴールデンサンプルのないバリアブル印刷における参照画像なし検査手法の確立。第2に、特殊加工（箔押し、スポットニス、透明原反）における照明と輪郭抽出の標準化。第3に、欠陥重度（シビアリティ）の判定だ。システムは「ここに輪郭がある」とは言えても、「この程度ならクライアントから返品されるか」の判断は依然として人間の経験に依存しており、業界全体で共通認識となる定量化基準がまだ存在しない

[1] MS（2106）. Contour Based Real Time Multiple Object Tracking. International journal of Emerging Trends in Science and Technology. DOI: 10.18535/ijetst/v3i08.10