AI外観検査導入のためのポイント

ここ数年、AI (Artificial Intelligence、人工知能) の応用が急速に進展しています。劇的な認識率の向上をもたらしAI分野を発展させたのが、脳の働きからヒントを得た学習手法である「Deep Learning (深層学習) 」のアルゴリズムであり、実装が容易なライブラリの登場により、画像認識を中心に利用例が報告されています。 　かたや、製造現場ではAI外観検査 (画像識別) を中心に導入プロジェクトが立ち上がっていますが、狙った識別精度が得られず、導入に至らない例が聞かれます。学習データ (画像データ) の前処理 (データクレンジング) にかかる負担や良品・不良品データの不均衡などがおもな原因にあげられます。また、特にDeep Learningでは識別にかかる根拠がわかりにくく、品質保証の観点から導入を見送る現場も多いです。 　そこで、本講座は中小製造現場で導入実績をあげた講師が、自身が手がけたAI外観検査の取り組みを紹介。活動事例を通じて、AI外観検査の導入プロジェクトの進め方から学習データの質と量の課題、学習を意識した画像情報の集め方、品質保証への対応までを解説します。さらには、導入後の運用を通じての精度向上のための考え方にも触れます。

1. AI画像認識システムの動向と導入基礎
   1. 国内外のAI画像認識の最新事例
   2. AI画像認識システムの利点・欠点
   3. AI画像認識システム導入時の留意点
2. AI画像認識システムの実例
   1. パン識別システム「BakeryScan」
      1. BakeryScanのシステム構成
      2. 画像からの特徴量抽出
      3. パン識別にかかる課題
      4. 現場導入時の課題
      5. BakeryScanのアルゴリズムの改良
   2. 不織布画像検査システム
      1. 不織布の異物検査
      2. 既存の画像検査システムの課題
      3. 不織布画像検査システムの構成と特徴
      4. 機械学習による異物判別
   3. 金属チェーン画像検査システム
      1. チェーンの外観検査
      2. チェーン画像検査システムの構成と特徴
      3. 良品学習による異常検知
   4. 油圧部品の自動外観検査システム
      1. 外観検査の課題
      2. 画像撮影方法の検討
      3. One Class SVM (OCSVM) による良品学習
      4. OCSVMの課題
      5. VAEによる異常検出
      6. 誤検出率の改善
3. AI外観検査のはじめ方と機械学習を意識した画像
   1. AI外観検査の進め方
      1. 評価基準の明確化
      2. 「わかりやすい」画像の撮影
      3. PoC:概念実証
   2. 機械学習を意識した画像データ (学習データ) の準備
      1. 画像データの取得
      2. 画像撮影時の注意
   3. 学習が難しい画像
      1. 背景による誤認識
      2. 学習データの偏り
   4. 学習しやすい画像のための前処理
      1. 前処理としての画像処理
      2. 画像の「標準化」・「白色化」
4. 学習データの量と質の課題
   1. 学習データの準備にかかる負荷
      • 画像の収集
      • ラベルの付与
   2. 学習データはどの程度必要か
   3. 学習データの不均衡の問題と対策
   4. 学習データの拡張 (Data Augmentation) と注意点
   5. ラベル付き公開データセットと転移学習による対応
5. 識別根拠の課題と品質保証への対応
   1. Deep Learningは内部分析が困難
   2. 説明可能性・解釈性 (XAI) に関する技術
   3. Deep Learningが着目しているところ (Grad-CAM)
6. AI画像認識システム導入の進め方 (「2」の事例をもとに)
   1. 要求定義の取りまとめ
   2. AI機能の選定
   3. 社内教育とプロジェクトの立ち上げ (産学連携助成の活用等)
   4. 学習データの準備
   5. 概念実証 (PoC)
   6. ラインでの実運用
   7. 運用による精度向上 (MLOps)