中小製造現場におけるAI画像検査の始め方と画像データ収集のポイント【Web配信】

AI外観検査導入の進め方から学習データの質と量の課題、
画像情報の集め方、品質保証への対応までを解説！

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！


本セミナーは、Zoomを使用して行います。

セミナー講師

森本雅和（もりもとまさかず）　氏
兵庫県立大学　工学部・大学院工学研究科　准教授（博士（工学））

＜略歴＞
　1998年　大阪大学大学院　工学研究科　通信工学専攻　博士後期課程終了
　1998年4月　姫路工業大学　工学部　助手
　2004年　兵庫県立大学　助手
　2014年　兵庫県立大学大学院　工学研究科　准教授
＜学会＞
 　電子情報通信学会　/　映像情報メディア学会　/　情報処理学会　/　IEEE

セミナー受講料

お1人様受講の場合　46,000円[税別]／1名
1口でお申込の場合　57,000円[税別]／1口（3名まで受講可能）

受講について

  • 本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、お申込み前にZoomのテストミーティング（http://zoom.us/test）にアクセスできることをご確認下さい。
  • インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。
  • 受講中の録音・撮影等は固くお断りいたします。

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。

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

　2　AI画像認識システムの実例
　　2.1　パン識別システム「BakeryScan」
　　①BakeryScanのシステム構成　/　②BakeryScanの画像処理（特徴量の抽出方法等）　/
　　③パン識別にかかる課題　/　④現場導入時の課題　/　⑤BakeryScanのアルゴリズムの改良
　　2.2　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
　　2.3　油圧部品の自動外観検査システム
　　①外観検査の課題　/　②正常・異常判別と機械学習による2クラス分類　/
　　③AIの限界とデータセットの不均衡　/　④ONE Class SVM（OCSVM）による良品学習　/
　　⑤OCSVMの課題とVAEによる異常検出　/　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　/
　　⑦VAEによる傷検出と誤検出の改善

　3　AI画像検査のはじめ方と機械学習を意識した画像データ収集
　　3.1　AI画像検査の進め方
　　①学習データの取集と用意　/　②各種機械学習の検証　/　③転移学習の活用
　　3.2　機械学習を意識した画像データ（学習データ）の収集
　　①画像データの形式　/　②学習データ（データセット）の準備　/　③必要な学習データ
　　3.3　学習が難しい画像
　　①撮影環境や条件のばらつき　/　②NG・OKの差異がわかりにくい/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
　　①画像のノイズ　/　歪みなどを取り除く　/　②明るさや色合いを調整/　③輝度調整　/
　　④オブジェクトの輪郭を強調　/　⑤領域抽出

　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画像検査システム導入の進め方
　　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（産学連携助成の活用等）
　　6.4　学習データの準備
　　6.5　概念実証（PoC）
　　6.6　ラインでの実運用
　　6.7　運用による精度向上