画像AIの精度が照明で落ちるときの対策:朝夕だけ誤検知が増える問題の切り分け方

産業インサイト・課題解決///

画像AIを導入した後に、「日中は安定しているのに、朝夕だけ誤検知が増える」「窓際のカメラだけ判定がぶれる」といった問題に直面することがあります。こうした場合に、モデルの再学習や学習データの追加をまず検討するのは自然な発想です。

ただし、見落としやすい点があります。精度低下の原因はモデルの能力不足とは限らず、学習時と運用時で画像の撮られ方が違うこと、つまり条件差にある場合があります。照明はその代表で、日射、夜間照明、反射によって、同じ対象でも画像上の明るさや色は大きく変わります。

最初に決めたいのは「どのモデルで直すか」ではなく、「どの条件で、画像にどんな変化が起きているか」です。原因が撮影環境にあるのか、前処理や学習で吸収できるのか、評価の仕方にあるのかによって、取るべき対策が変わるためです。

本記事では、照明変動を学習時と運用時の条件差として捉え、①撮影環境の標準化、②前処理・学習データの工夫、③条件別評価と運用監視の3層で整理します。施設内の画像モニタリング(衛生管理など)の文脈にも触れながら、開発担当者が実施できる切り分け手順と対策の優先順位を解説します。

照明が変わると、画像AIの精度が落ちるのはなぜか

画像AIは、学習に使ったデータの傾向をもとに判定します。運用時のデータが学習時と異なる分布になると、精度が下がることがあります。この現象は、ドメインシフト(Domain Shift:学習時と運用時でデータの分布がずれること)やデータセットシフトと呼ばれます(Quionero-Candela et al., 2009)。照明の変化は、画像の明るさ、コントラスト、色味を同時に動かすため、ドメインシフトの一因になりやすい条件です。

明るさやコントラストといった一般的な画像劣化によって、画像分類モデルの性能が低下し得ることは、頑健性の評価研究でも扱われています(Hendrycks and Dietterich, 2019)。

ここで、「照明の問題」と「カメラ設定の問題」は別であることに注意が必要です。多くのカメラは自動露出(AE:Auto Exposure)や自動ホワイトバランス(AWB:Auto White Balance)で画像を自動補正します。照明が変わるとカメラが画像を変えてしまうため、照明の変化がそのまま画像の変化にならず、原因の切り分けが難しくなります。

照明変動の要因と画像への影響を整理する

照明変動は、大きく日射、夜間照明、反射に分けると整理しやすくなります。表1は一般的な傾向をまとめたもので、実際の影響は設置環境や対象物によって異なります。

変動要因画像への主な影響主な対策の方向
日射(窓からの光、朝夕の低い入射角)逆光、明暗差の拡大、影の移動、色温度の変化遮光、設置角度の見直し、露出・ホワイトバランスの固定
夜間照明(蛍光灯、LED、人感センサー照明など)全体の輝度低下、ノイズの増加、色味の偏り、ちらつき補助照明による照度の確保、シャッター速度・ゲインの固定
反射(床、金属面、ガラス面、水濡れ)局所的な白飛び、映り込み、光沢による見え方の変化設置角度の調整、偏光フィルタ、拡散光、背景素材の見直し

白飛びは明るすぎて階調が失われた状態、黒つぶれは暗すぎて階調が失われた状態を指します。どちらも、その部分の画素値が上限や下限に張り付き、元の情報が画像に残っていません。この点は、後述する対策の優先順位に関わります。

「朝夕だけ誤検知が増える」を切り分ける手順

説明用の想定例として、10〜15時台の誤検知率は低く安定しているのに、6〜7時台と17〜20時台だけ上昇するケースを考えます。これは特定の事例ではなく、一般的な想定です。図1のように、結果を見ながら段階的に原因を絞り込みます。

照明起因の誤検知を切り分ける流れ

概念図です。実際には、各ステップの結果に応じて前のステップへ戻って確認します。

  1. 時間帯別に誤検知を集計する

    全体平均ではなく、時間帯・設置場所ごとに誤検知率と判定件数を並べます。

  2. 誤検知画像の平均輝度・色味・反射の有無を確認する

    撮影時刻と紐づけ、飽和画素率(黒つぶれ・白飛びの割合)も併せて見ます。

  3. カメラの自動露出・自動ホワイトバランスの挙動を確認する

    画像の変化が、照明の変化なのかカメラの補正なのかを分けます。

  4. 撮影環境側の対策を先に行う

    設定固定、補助照明、遮光、設置角度、偏光フィルタ、グレーカードを検討します。

    第1層 撮影環境
  5. 前処理・学習データで残りを吸収し、条件別に評価する

    範囲外の画像は品質ゲートで判定保留とし、運用で監視します。

    第2層 前処理・学習 第3層 評価・運用監視

Step 1:時間帯別に誤検知率を集計する

全体の誤検知率ではなく、時間帯別に集計します。先に誤検知率の定義(本記事では誤検知件数÷判定件数)を決めておくと、後の比較がぶれません。判定件数が少ない時間帯では率が不安定になるため、件数も併記します。

import pandas as pd

# predictions.csv の列: timestamp, predicted(0/1), label(0/1)
results = pd.read_csv("predictions.csv", parse_dates=["timestamp"])
results["hour"] = results["timestamp"].dt.hour
results["false_positive"] = (results["predicted"] == 1) & (results["label"] == 0)

by_hour = results.groupby("hour").agg(
    n=("label", "size"),
    fp=("false_positive", "sum"),
)
by_hour["fp_rate"] = by_hour["fp"] / by_hour["n"]
print(by_hour)
Python

Step 2:誤検知画像の輝度と飽和画素率を確認する

次に、画像ごとの平均輝度と、黒つぶれ・白飛びの画素の割合を算出し、撮影時刻と紐づけて集計します。最初の一歩としては、誤検知画像から数十枚を抜き出して目視するだけでも、傾向がつかめる場合があります。

import cv2
import pandas as pd

def image_stats(path, low=10, high=245):
    """平均輝度と、黒つぶれ・白飛び画素の割合を返す(low/highは例示)"""
    img = cv2.imread(path)
    if img is None:
        raise ValueError(f"読み込めません: {path}")
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    return {
        "mean_luma": float(gray.mean()),
        "dark_ratio": float((gray <= low).mean()),
        "bright_ratio": float((gray >= high).mean()),
    }

def summarize_by_hour(paths, timestamps):
    rows = []
    for path, ts in zip(paths, timestamps):
        row = image_stats(path)
        row["hour"] = pd.Timestamp(ts).hour
        rows.append(row)
    return pd.DataFrame(rows).groupby("hour").mean()
Python

下表は、このような集計で得られる結果のイメージです。説明用の架空データであり、実測値ではありません。

時間帯平均輝度(0〜255)飽和画素率(%)判定件数誤検知件数誤検知率(%)
6時台629.8180147.8
7時台886.1240145.8
8時台1183.226083.1
12時台1422.430072.3
16時台1313.029093.1
17時台965.7270165.9
18時台718.9250208.0
19時台5811.3200189.0
20時台5512.0160159.4

このデータでは、朝夕に平均輝度が下がり、飽和画素率と誤検知率が上がっています。このような傾向が見られる場合、照明条件と誤検知が関連している可能性があります。ただし、これは相関であり、因果を示すものではありません。その時間帯に人の動線や対象物の状態が変わる影響も、別途確認が必要です。

Step 3:カメラの自動露出・ホワイトバランスの挙動を確認する

朝夕の画像が暗い、あるいは色が偏っているのは、照明そのものの変化か、カメラの自動補正の結果かを確認します。露出時間、ゲイン、ホワイトバランスの値を撮影メタデータやカメラ設定から取得できる場合は、時刻と並べて見ます。自動設定が照明変化に追従すると、画像の見え方が時刻によって変わることがあります。一方で、手動固定にすると、明暗差の大きい場面では飽和が増える場合もあります。固定するかどうかは、必ず現場の画像で確認してください。

なお、この想定例から「朝夕の照明が原因である」と断定することはできません。他の要因が重なっている場合もあるため、各ステップで得た結果を総合して判断します。

対策は3層で考える

切り分けの結果を受けた対策は、下図の3層で整理すると優先順位がつけやすくなります。重要なのは、撮影環境、前処理・学習、評価・運用監視のどれか一つで完結させようとしないことです。

照明変動への対策の3層構造

概念図であり、各対策の効果の大きさを示すものではありません。

  1. 撮影環境の標準化

    目的画像に残る情報の質を揃える
    主な手段露出・ホワイトバランスの固定、補助照明、遮光、設置角度、偏光フィルタ、グレーカード
    留意点撮影時に失われた情報は、後工程では戻らない
  2. 前処理・学習データの工夫

    目的残った条件差を吸収する
    主な手段ガンマ補正、局所コントラスト補正、色の正規化、条件を含む学習データ
    留意点学習時と推論時で同じ処理を適用する
  3. 条件別評価と運用監視

    目的劣化に気づき、判定しない選択も含めて運用する
    主な手段時間帯・場所別の評価、画像品質の記録、品質ゲート、判定保留
    留意点閾値は現場データで検証して決める

第1層:撮影環境の標準化を優先する理由

撮影環境の標準化を最初に検討する理由は、撮影時点で失われた情報は前処理で戻らないためです。画素値が上限や下限に張り付いた白飛び・黒つぶれの領域では、元の模様や色の情報が画像に残っていません。暗い画像を前処理で持ち上げても、ノイズが強調されるだけで、失われた対象の特徴は復元できないことがあります。

撮影環境側の主な対策は次のとおりです。

  • カメラ設定の固定:露出(シャッター速度・ゲイン・絞り)とホワイトバランスを手動で固定する
  • 補助照明と遮光:照度を一定に近づけ、日射の影響を抑える
  • 設置角度と偏光フィルタ:反射を避ける。偏光フィルタは特定方向の反射光を減らす光学フィルタ
  • グレーカード:反射率が一定の灰色の基準板を画像内に入れ、明るさと色の基準にする

ただし、設定を固定すれば解決するという意味ではありません。固定によって明暗差の大きい場面で飽和が増えることもあるため、補助照明や遮光と組み合わせて検討します。また、完璧に環境を整えてから始める必要はありません。まず1台のカメラ、1つの時間帯で小さく試し、画像統計の変化を確認する進め方が現実的です。

照明条件の切り分けや評価設計は、設置環境や対象物によって最適な進め方が異なります。施設内の画像モニタリングで精度のばらつきにお悩みの場合は、現状のデータや運用状況の整理から、G-SENSIA(施設衛生の意思決定支援コンサルティング)でご相談いただけます。

第2層:前処理と学習データで残りの条件差を吸収する

撮影環境で揃えきれない条件差は、前処理と学習データで吸収します。代表的な前処理は次の3つです。

  • ガンマ補正:明るさの階調を非線形に変換し、暗部を持ち上げる処理
  • 局所コントラスト補正:画像を小領域に分け、局所的にコントラストを調整する処理。適応的ヒストグラム平坦化(Pizer et al., 1987)に、過度な増幅を抑える制限を加えたCLAHE(Contrast Limited Adaptive Histogram Equalization)が広く使われる
  • 色の正規化:グレーカードなどを基準に、色味のずれを揃える処理
import cv2
import numpy as np

def apply_gamma(img_bgr, gamma=1.2):
    """gamma > 1 で暗部を持ち上げる(値は例示)"""
    table = (np.linspace(0, 1, 256) ** (1.0 / gamma) * 255).astype(np.uint8)
    return cv2.LUT(img_bgr, table)

def apply_clahe(img_bgr, clip_limit=2.0, tile=(8, 8)):
    """輝度チャンネルのみに局所コントラスト補正を適用する(値は例示)"""
    lab = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2LAB)
    l, a, b = cv2.split(lab)
    clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=tile)
    lab = cv2.merge((clahe.apply(l), a, b))
    return cv2.cvtColor(lab, cv2.COLOR_LAB2BGR)

def preprocess(img_bgr):
    # 注意: 学習時と推論時で、同じ関数・同じパラメータ・同じ順序・同じ色空間を使う
    return apply_clahe(apply_gamma(img_bgr, gamma=1.2))
Python

前処理で最も起きやすい失敗は、学習時と推論時で処理が一致しないことです。パラメータ、順序、色空間(BGRとRGBなど)の違いは、それ自体が新しい条件差になります。前処理は一つの関数として共通化し、両方から同じものを呼び出す構成が安全です。

学習データについては、朝夕、夜間、窓際など、運用で実際に起きる条件の画像を含めることが基本です。明るさ・コントラスト・色味を変えるデータ拡張(Data Augmentation:既存の画像に変換を加えて学習データを増やす方法)も有効な場合があります(Shorten and Khoshgoftaar, 2019)。ただし、実際の条件から外れた過度な拡張は逆効果になることがあります。

「学習データを追加しても改善が頭打ち」という場合は、追加した画像が特定の条件に偏っていないか、飽和して情報が失われた画像が多くないかを確認してください。この場合、データ量の問題ではなく、第1層の問題である可能性があります。

第3層:条件別評価と運用監視で劣化に気づく

全体平均の精度だけを見ていると、特定条件での劣化は他の条件に埋もれます。評価は、時間帯、設置場所、季節といった条件別に行います。あわせて、平均輝度や飽和画素率の分布を運用中も記録し、学習時の分布と比較できるようにしておくと、精度低下の前兆に気づきやすくなります。

さらに、品質ゲート(画像が判定に適した品質かを、推論の前に確認する仕組み)を置く方法があります。範囲外の画像は判定せず、判定保留として目視確認や再撮影に回します。誤った判定を出すより、判定しない選択肢を持つほうが、運用上は安全な場合があります。保留の件数や率そのものも、環境の変化を示す指標になります。

# 閾値は例示であり、現場データの分布を確認したうえで決める
QC_RANGES = {
    "mean_luma": (40.0, 220.0),
    "dark_ratio": (0.0, 0.15),
    "bright_ratio": (0.0, 0.10),
}

def quality_gate(stats, ranges=QC_RANGES):
    reasons = [
        name for name, (lo, hi) in ranges.items()
        if not (lo <= stats[name] <= hi)
    ]
    return ("hold", reasons) if reasons else ("pass", [])

# 使い方の骨格
# status, reasons = quality_gate(image_stats(path))
# status == "hold" の場合は推論せず、理由とともに記録して目視確認や再撮影へ回す
Python

撮影環境で直すか、前処理で吸収するかの判断基準

下表は、観察された状態から優先する対応を考えるための目安です。複数の状態が同時に当てはまることも多く、一つに絞り込むためのものではありません。

観察される状態示唆される方向優先する対応
画素値が上限・下限に張り付いた領域が多い(飽和画素率が高い)撮影時点で情報が失われている可能性撮影環境の見直し
輝度は低いが飽和は少ない前処理や学習データで吸収できる余地がある前処理・学習データの工夫
時刻によって色味が変わり、AWBが自動カメラの自動補正が影響している可能性カメラ設定の固定の検討
特定の位置・角度で局所的な映り込みがある反射の影響設置角度・偏光フィルタ
画像品質は同程度なのに特定条件で誤りが多い学習データの偏りやラベル、評価設計の問題学習データ・評価の見直し
条件が不定期に外れる環境側で完全には揃えられない品質ゲートと判定保留

施設内の画像モニタリングで気をつけたい点

衛生管理などで施設内の画像モニタリングを行う場合、照明の影響を受けやすい条件が重なることがあります。対象物が小さい、背景とのコントラストが低い、床面や設備表面の反射がある、といった条件です。また、通路、窓際、設備の陰など、設置場所によって照明が大きく異なる点も特徴です。

画像判定の結果が巡回や対策の判断に使われる場合、誤検知と見逃しの両方が現場の負担や判断に影響します。そのため、判定の精度だけでなく、どの条件で判定が不安定になるのか、不安定なときにどう扱うのかを運用ルールとして決めておくことが重要です。施設ごとに照明環境が異なるため、他施設で有効だった設定がそのまま使えるとは限りません。

この進め方の限界と、あえてしない判断

ここまでの方法は、照明に起因する精度低下の切り分けに有効な場合がありますが、あらゆる照明条件で高精度を保証するものではありません。設置制約などで撮影環境を整えられない施設もあります。その場合は、前処理、学習データ、判定保留を組み合わせて対応します。

また、条件別の評価結果によっては、特定の時間帯は自動判定を行わず、目視確認に切り替えるという判断も合理的です。ただし、これは自動化を諦めるという意味ではなく、判定できる条件を明確にしたうえで範囲を広げていく進め方です。照明を固定しすぎると別の季節や条件で問題が出ることもあるため、定期的に条件別評価をやり直す前提で運用します。

次の一歩に使えるチェックリスト

  • 誤検知を時間帯・設置場所別に集計したか
  • 誤検知画像の平均輝度・飽和画素率を撮影時刻と紐づけて確認したか
  • 自動露出・自動ホワイトバランスの設定と挙動を確認したか
  • 学習時と推論時で、同じ前処理を適用しているか
  • 条件別の評価指標を持っているか
  • 範囲外画像の扱い(判定保留)を決めているか

まとめ

画像AIの精度が照明で落ちる場合、まず確認したいのは、どの条件で、画像にどんな変化が起きているかです。時間帯別の集計、画像の輝度・飽和画素率の確認、カメラの自動補正の確認の順に進めると、原因を撮影環境、前処理・学習、評価・運用のどこに求めるべきかが見えやすくなります。

対策は、撮影環境の標準化を優先し、残った条件差を前処理と学習データで吸収し、条件別評価と判定保留で運用を支える、という順序で考えます。まずは1日分の画像で時刻ごとの平均輝度を並べるところから、確認を始めてみてください。

参考文献

  • Quionero-Candela et al. 2009. Dataset Shift in Machine Learning. MIT Press. https://mitpress.mit.edu/9780262170055/dataset-shift-in-machine-learning/
  • Hendrycks and Dietterich. 2019. Benchmarking Neural Network Robustness to Common Corruptions and Perturbations. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1903.12261
  • Pizer et al. 1987. Adaptive histogram equalization and its variations. Computer Vision, Graphics, and Image Processing. Vol. 39. Issue 3. pp. 355-368. https://doi.org/10.1016/S0734-189X(87)80186-X
  • Shorten and Khoshgoftaar. 2019. A survey on Image Data Augmentation for Deep Learning. Journal of Big Data. Vol. 6. Article 60. https://doi.org/10.1186/s40537-019-0197-0