☆☆☆Web配信セミナー☆☆☆
『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』
S200825A
☆☆☆本セミナーは、Zoomを使用して、行います。☆☆☆
開催日時:2020年8月25日(火)11:00-16:00
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)
★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。
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 |
|
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 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