AI技術を活用した外観検査の実用化とその進め方

第1部. 画像認識技術の基礎と機械学習による外観検査技術

(2020年8月4日 10:00〜13:00)

　近年、多彩なアプリケーションに必要な技術として盛り上がっている画像認識技術の概要と、画像認識技術の外観検査への応用に関して解説致します。画像撮影の注意点や一般的な画像認識処理の方法、またそこで使用される各種の機械学習アルゴリズムに関して解説した上で、外観検査に応用する際の性能評価方法や、アルゴリズム開発のポイント、実例に関して説明いたします。機械学習ベースの外観検査技術に興味がある方におすすめ致します。予備知識として画像データに対する知識があると理解が深まります。

1. 画像認識技術の概要
   1. キー技術
2. 画像の撮影
   1. 撮影画像
   2. 各種カメラ
   3. 画像処理
3. 画像認識技術
   1. 機械学習を用いた画像認識について
      1. 機械学習とは
      2. 一般的な物体認識の処理フロー
   2. 機械学習の種類
   3. 特徴量の設計について
   4. 性能評価
   5. 学習サンプル
   6. 機械学習による外観検査アルゴリズム開発のポイント
   7. 様々な画像認識アルゴリズム
4. 外観検査技術の実例
   1. 鋳造部品の画像検査アルゴリズム例
5. 画像認識技術を用いた欠陥検査の今後の動向
• 質疑応答

第2部. AI技術を活用した外観検査と進め方

(2020年8月4日 13:45〜16:45)

　製品の外観検査において、AI、すなわち、ディープラーニングには大きな期待がありますが、実際に実用レベルの性能を達成することは容易ではありません。ディープラーニングの適用では、とにかく大量のトレーニングデータを用意すれば、あとはアルゴリズムがやってくれる、というわけにはいかないのが現実です。成否の鍵はトレーニングデータをどのように作成するかにあります。不良品データは非常に少ないのが普通で、我々は不良品画像を増やすためにどのようは方法が有効かを検討しました。併せて、不良箇所のサイズを推定すると言う問題に対しても試行し、実用化の可能性を見いだしました。本講演では、これらに関して詳細に説明します。

1. 人工知能とは何か
   1. 人工知能の概要
   2. 機械学習とディープラーニング
   3. 教師あり学習と教師なし学習
2. ディープラーニングによる製品の外観検査:事例1
   1. 畳み込みニューラルネットワーク
   2. プレス加工によるプラスティック部品の欠陥検査問題
   3. 畳み込みニューラルネットワークの適用
   4. 不良品画像合成によるトレーニングデータ増大
   5. 実験評価結果
3. ディープラーニングによる製品の外観検査:事例2
   1. プラスティックボトル表面上の印刷欠陥検査問題
   2. 畳み込みニューラルネットワークの適用
   3. トレーニング方法
   4. 欠陥サイズの推定方法
   5. 実験評価結果
4. まとめ
• 質疑応答