画像認識技術を用いたAI外観検査の現場導入事例・方法と精度向上指針＜Zoomによるオンラインセミナー＞

画像認識技術を外観検査に応用！
AI外観検査の導入の進め方から課題、データの集め方、
品質保証への対応まで解説！

製造現場でいくつかの導入実績をあげた講師が、自身の担ったAI外観検査の取組を解く！

セミナー講師

兵庫県立大学 工学研究科
　電子情報工学専攻　准教授 博士（工学） 森本 雅和 先生

セミナー受講料

1名41,800円(税込（消費税10％）、資料付)
　＊1社2名以上同時申込の場合、1名につき30,800円
　＊学校法人割引；学生、教員のご参加は受講料50％割引。

受講について

＊本講座は、Zoom を使用したオンラインセミナーです。
　（下記ご確認の上、お申込み下さい）。

・本講座は、オンライン受講のみ可能です。セミナー会場での受講はできません。
　＊PCもしくはスマートフォンとネットワーク環境をご準備下さい。

・ご受講にあたり、環境の確認をお願いしております。
　お手数ですが下記公式サイトからZoomが問題なく使えるかどうか、ご確認下さい。
　→ 確認はこちら
　＊Skypeなど別のツールが動いておりますと、カメラ・マイクなどがそちらで使用されてしまいZoomで不調となる場合があります。お手数ですが同様のツールは一旦閉じてからお試し下さい。

・Zoomアプリのインストール、zoomへのサインアップをせずブラウザからの参加も可能です

・開催が近くなりましたら、当日の流れ及び視聴用のURL等をメールにてご連絡致します。また本講座の配布資料は、印刷物を郵送にてご送付申し上げます。ご登録の際はお受け取りが可能な住所をご記入ください。

・本講座で使用される資料や配信動画は著作物であり、録音・録画・複写・転載・配布・上映・販売等を禁止いたします。

・本講座はお申し込みいただいた方のみ受講いただけます。
　複数端末から同時に視聴することやプロジェクタ等による複数人での視聴は禁止いたします。

・当日、可能な範囲で質疑応答、個別質問も対応致します。メールベースを中心に後日の質問等も可能です。（全ての質問にお答えできない可能性もございますので、予めご容赦ください。）

セミナー趣旨

　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 製造現場でいくつかの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。
　また個別の相談事項にも時間の許す限り応対する予定です。

受講対象・レベル

・AI関連技術・画像認識技術による外観検査業務の効率化や自動化・無人化を検討中の方、着手し始めた方
・画像認識・物体解析技術の応用事例を調査している方
・現場への適用・実装までを見据えたデータサイエンス業務を進めたい方

習得できる知識

・画像認識技術の基礎・原理
・画像認識システムの実際、導入実例・運用方法

セミナープログラム

1．AI画像認識システムの動向と導入基礎
　1-1 国内外のAI画像認識の最新事例
　1-2 AI画像認識システムのメリット
　1-3 AI画像認識システム導入時の留意点
　1-4 「機械学習」と「深層学習」の選択

2．AI画像認識システムの各種実例
　2-1 パン識別システム「BakeryScan」の特徴と実際
　　2-1-1 BakeryScanのシステム構成
　　2-1-2 BakeryScanの画像処理（特徴量の抽出方法等）
　　2-1-3 パン識別にかかる課題
　　2-1-4 現場導入時の課題
　　2-1-5 BakeryScanのアルゴリズムの改良
　2-2 不織布画像検査システムの特徴と実際
　　2-2-1 不織布の異物検査
　　2-2-2 既存の画像検査システムの課題
　　2-2-3 不織布画像検査システムの構成と特徴
　　2-2-4 機械学習による異物判別
　2-3 油圧部品についての自動外観検査システムの特徴と実際
　　2-3-1 外観検査の課題
　　2-3-2 正常・異常判別と機械学習による2クラス分類
　　2-3-3 AIの限界とデータセットの不均衡
　　2-3-4 ONE Class SVM（OCSVM）による良品学習
　　2-3-5 OCSVMの課題とVAEによる異常検出
　　2-3-6 導入した外観検査システムとロボットのハンドカメラによる撮像
　　2-3-7 VAEによる傷検出と誤検出の改善

3．AI外観検査のはじめ方と機械学習のための画像データ準備・前処理
　3-1 AI外観検査の進め方
　　3-1-1 検査項目の網羅と評価基準の明確化
　　3-1-2 試作開発の前段階における検証
　　3-1-3 求められる人材・スキル
　3-2 機械学習を意識した画像データ（学習データ）の準備
　　3-2-1 画像データの形式
　　3-2-2 学習データ（データセット）の準備
　　3-2-3 必要な学習データ
　3-3 学習が難しい画像
　　3-3-1 撮影環境や条件のばらつき
　　3-3-2 NG・OKの差異がわかりにくい
　　3-3-3 キズなど一方向からでは見づらいなど
　3-4 学習しやすい画像のための前処理 ：そのノウハウ・実際
　　3-4-1 画像のノイズ／歪みなどを取り除く
　　3-4-2 明るさや色合いを調整／輝度調整
　　3-4-3 オブジェクトの輪郭を強調
　　3-4-4 領域抽出
　　3-4-5 どの程度の前処理が適切なのか

4．学習データの量と質の課題
　4-1 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）
　4-2 学習データはどの程度必要か
　4-3 外観検査における学習データの質の課題（データの不均衡）
　4-4 学習データの拡張（Data Augmentation）
　4-5 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
　5-1 Deep Learningは内部分析が困難
　5-2 説明可能性・解釈性（XAI） に関する技術
　5-3 Deep Learningが着目しているところ（ネットワークの可視化）
　5-4 品質保証への対応（AI外観検査と目視検査との連携／段階的なAI外観検査の導入）

6．AI画像認識システム導入の進め方
　　～2．で扱った「パン」「不織布」「油圧部品」の事例をもとに～
　6-1 要求定義の取りまとめ
　6-2 AI機能の選定
　6-3 社内教育とプロジェクトの立ち上げ方（産学連携助成の活用等）
　6-4 学習データの準備とその留意点
　6-5 概念実証(PoC) の特徴・考え方・進め方
　6-6 ラインでの実運用
　6-7 運用による精度向上

＜質疑応答・名刺交換・個別相談＞