　　　

☆☆☆Web配信セミナー☆☆☆

『ディープラーニングに基づく外観検査AI技術』

～技術動向と長期運用への課題～

S240927AW1

　☆☆☆本セミナーは、Zoomを使用して、行います。☆☆☆

開催日：2024年12月23日（月）12:30-16:30
受講料：お1人様受講の場合　51,700円[税込]／1名
　　　　1口でお申込の場合　66,000円[税込]／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。

講　師

　徳永旭将（とくながてるまさ）　氏
　　　九州工業大学大学院　情報工学研究院知能情報工学研究系　准教授（博士（理学））

＜略歴＞	2006年03月　九州大学　理学部　地球惑星科学科　卒業　2008年03月　九州大学大学院　理学府　地球惑星科学専攻　修士号取得　2011年03月　九州大学大学院　理学府　地球惑星科学専攻　博士号取得（理学博士）　2011年04月　明治大学　先端数理科学インスティテュート研究推進員　2012年04月　一般財団法人高度情報科学技術研究機構　計算科学技術部　職員　2013年05月　大学共同利用機関法人　情報システム研究機構　統計数理研究所　データ同化研究開発センター　特任助教　2015年04月　九州工業大学大学院　情報工学研究院　システム創成情報工学研究系　准教授　2019年04月　九州工業大学大学院　情報工学研究院　知能情報工学研究系　准教授　　現在に至る。
＜兼務＞	2018年10月～2022年03月　国立研究開発法人科学技術振興機構さきがけ　研究員　2018年08月～2019年03月　九州大学　国際宇宙天気科学教育研究センター　客員准教授　2018年04月～2019年03月　情報システム研究機構・統計数理研究所　ものづくりデータ科学センター　客員准教授
＜受賞＞	2013年　統計関連学会連合　コンペティション講演最優秀報告賞　2009年　第126回地球電磁気・地球惑星圏学会学生発表賞（オーロラメダル賞）
＜研究テーマ＞	・ベイズ推論や統計的機械学習を基軸としたイメージデータ解析技術の研究　・自動外観検査など、モノづくりの現場を支えるイメージ解析AIの研究　・線虫の神経細胞レベルの膜電位/Ca2-同時イメージングに基づくニューロモルフィックAIの研究

　セミナーの概要

　製造業において、外観検査は製品の品質管理に欠かせないプロセスである。従来は、専門的知見をもつ技術者が目視で不良の有無を確認していた。しかしながら、検査項目の増大や人手不足の深刻化により、この検査工程の自動化がモノづくりの重要な課題となっている。近年では、ディープラーニングのような統計的機械学習に基づく外観検査AIが注目を集めている。このようなデータ駆動的アプローチは、十分な訓練データさえ準備できれば、従来のルールベース的な手法と比べ、より柔軟で例外に強い　自動外観検査の実現が期待できる。
本セミナーでは、外観検査AIの導入に関心を抱いている技術者や管理責任者を対象とし、外観検査AIの概要、技術的背景、技術動向、導入の際に考慮すべき困難性などについて概説する。また、画像からの異常検出技術の研究開発に用いられるベンチマークデータや、近年提案されている代表的な外観検査AIモデルについて紹介する。最後、GoogleColabでPaDiMと呼ばれる画像の異常検出モデルを走らせる演習課題を提供する。

　講義項目

　1　外観検査AIの概要：何が期待できるか？

　　1.1　ルールベースの自動外観検査技術
　　1.2　AIによる自動外観検査
　　1.3　自動外観検査タスクの例1：Defect Detection
　　1.4　自動外観検査タスクの例2：Anomaly Classification
　　1.5　自動外観検査タスクの例3：Anomaly Localization

　2　ベンチマークデータの例（実データ）

　　2.1　MVTec AD dataset
　　2.2　BTAD（beanTech Anomaly Detection）dataset
　　2.3　MVTec LOCO AD dataset
　　2.4　VisA dataset
　　2.5　Severstal：Steel Defect Detection dataset
　　2.6　PlantVillage dataset

　3　自動外観検査を困難にする要因

　　3.1　訓練データの不均衡性
　　3.2　不良モードの多様性
　　3.3　基準の設定が困難な不良：（欠損異常、テクスチャの異常、概念的異常）

　4　外観検査に関連が深いAIの概念

　　4.1　教師あり学習
　　4.2　教師なし学習
　　4.3　限られた訓練データからの学習
　　　4.3.1　半教師あり学習 4.3.2　弱教師あり学習
　　　4.3.3　転移学習
　　　4.3.4　継続学習

　5　外観検査AIの技術例

　　5.1　教師なし学習に基づく外観検査AI
　　　5.1.1　Feature Embedding based Methods
　　　5.1.2　Reconstruction based Methods
　　5.2　Feature Embeddingに基づく手法の例
　　　5.2.1　Teacher-Student Architecture
　　　5.2.2　One-Class Classification
　　　5.2.3　Distribution Map
　　　5.2.4　Memory Bank
　　5.3　Reconstructionに基づく手法の例
　　　5.3.1　Reconstruction：Autoencoder, GANomaly, InTra
　　　5.3.2　Denoising: denoising ED, DRAEM, DiffusionAD
　　　5.3.3　Inpainting：Transfomer,GL-CANomaly
　　　5.3.4　Colorization

　6　社会実装や長期運用に向けた課題

　　6.1　Dataset Drift, Domain Shift
　　6.2　Conceptual Drift
　　6.3　新規性や外れ値の検出
　　6.4　解釈性の問題

　7　演習課題

☆☆☆Web配信セミナー☆☆☆ 『ディープラーニングに基づく外観検査AI技術』

～技術動向と長期運用への課題～ S240927AW1

徳永旭将（とくながてるまさ） 氏 九州工業大学大学院 情報工学研究院 知能情報工学研究系 准教授（博士（理学））

1 外観検査AIの概要：何が期待できるか？

1.1 ルールベースの自動外観検査技術 1.2 AIによる自動外観検査 1.3 自動外観検査タスクの例1：Defect Detection 1.4 自動外観検査タスクの例2：Anomaly Classification 1.5 自動外観検査タスクの例3：Anomaly Localization

2 ベンチマークデータの例（実データ）

2.1 MVTec AD dataset 2.2 BTAD（beanTech Anomaly Detection）dataset 2.3 MVTec LOCO AD dataset 2.4 VisA dataset 2.5 Severstal：Steel Defect Detection dataset 2.6 PlantVillage dataset

3 自動外観検査を困難にする要因

3.1 訓練データの不均衡性 3.2 不良モードの多様性 3.3 基準の設定が困難な不良：（欠損異常、テクスチャの異常、概念的異常）

4 外観検査に関連が深いAIの概念

4.1 教師あり学習 4.2 教師なし学習 4.3 限られた訓練データからの学習 4.3.1 半教師あり学習 4.3.2 弱教師あり学習 4.3.3 転移学習 4.3.4 継続学習

5 外観検査AIの技術例

6 社会実装や長期運用に向けた課題

6.1 Dataset Drift, Domain Shift 6.2 Conceptual Drift 6.3 新規性や外れ値の検出 6.4 解釈性の問題

7 演習課題