こちらもご参照ください。

★目次★

画像分類 ・・・ 対象の画像が何であるのかを判定。

物体検出 ・・・ 画像の中の物体の種類・個数を判定。

Semantic Segmentation ・・・ 画像の中から物体をピクセル単位で判定。

GAN ・・・ 入力データから学習し、恣意的な画像を生成する。


 

★画像分類

 

畳み込みニュートラルネットワークという手法が用いられています。

物体の認識やシーンの推定を行うことが出来ます。

 

弊社では、ソファーなど形の決まっていないものの画像分類(正常・異常)などの判定を得意としており、精度も99%程出ています。


 

★物体検出

 

 

畳み込みニュートラルネットワークが用いられていますが、

・物体領域の位置を絞り込む方法

・認識対象以外の物体を排除する方法

を取り入れることで、対象物の位置・個数の検出を可能にしています。

 

弊社ではこの技術を応用し、下記のような用途で用いています。

□ 部品の誤欠品の検査

□ 異常の検知

□外観検査

□画像検査

従来、人が目視で行ってきた部品の取付間違いや取付忘れ,異常品の検出を 物体検出AIによって、自動かつ高速・高精度で行うことができます。


 

★Semantic Segmentation

 

基本的な仕組みは物体検出と同じですが、学習の際の教師データを作成する際には、ピクセルごとにラベルを付与する必要があるので、労力がかかります。

 

弊社ではこの技術を応用し、下記のような用途で用いています。

□ 連続した部品のパーツ分け

□ 細微な異常の検知

異常箇所が小さすぎて、物体検出AIでは十分な精度を出すことが難しい異常も Semantic Segmentationを用いて検出しています。

また、検査する部品が連続している場合は、Semantic Segmentationを用いて、 パーツごとに分けています。


 

★GAN

 

機械学習の手法の1つである生成モデルによって、 学習画像の確率分布と生成されるデータの確率分布が同じになるように学習します。

GANは、データの生成を行う生成器と、そのデータが実データか生成データであるかを判定する識別器の2つのネットワークによって構成されています。

 

弊社ではこの技術を応用し、下記のような用途で用いています。

□ 異常画像の水増し

□ 人画像の線画への変換

一般的に異常画像は正常画像に比べて非常に少ないため、 学習の精度が十分に上がらないことがあります。

その際にGANによって、異常画像を生成することで、十分な数の異常画像を確保し、 異常検知において十分な検出精度を達成することができます。

 

GANで生成した画像の例

 

クリスタルメソッド 株式会社

〒102-0073
東京都千代田区九段北4丁目1-14 TLビル5F

都営新宿線「市ケ谷駅」より徒歩3分
東京メトロ有楽町線・南北線
JR 総武線「市ケ谷駅」より徒歩5分