2D画像での異常検知システム（2DのAI・深層学習）

2DのAI・深層学習

こちらもご参照ください。

画像分類

  画像分類は入力となる画像と最も似ていると考えられる対象を畳み込みニューラルネットワーク(Convolutional Neural Network, CNN)と呼ばれる手法を用いて判定します。

  このCNNが用いられるようになった背景として、フィルタと呼ばれる領域を入力画像に合わせることでフィルタと画像の重なった部分の特徴量が計算されて形成される畳み込み層と、畳み込み層として抽出された特徴量を圧縮するプーリング層が大きな役割を果たしております。
  この二層の処理により、従来、点で特徴抽出を行っていたのに対して、領域で特徴抽出を行うCNNは格段に検出性能を向上させ、その性能の高さから画像認識の他にも物体の認識やシーンの推定、音声認識など様々な問題へと広く応用されています。

★弊社での取り組み

  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、およそ99%の精度を実現させています。

---

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。

★弊社での取り組み

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

  Semantic Segmentationは物体検出同様に画像中の複数の対象を検出できる手法です。画像分類ではイメージ単位でのクラス判定、物体検出ではバウンディングボックス単位でのクラス判定を行っていたのに対して、本技術は画像のピクセル単位でクラス判定をおこないます。
 そのため、ボックス単位で判定を行う物体検出AIでは検出できていなかった小さな対象も、本手法を用いることで高精度に検出することが可能となっております。

★弊社での取り組み

  この技術は不良品の検知など、あらかじめ対象物がわかっている状態での微小な違いを見つけたい場面で有効であるため、弊社ではこの技術を応用して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

---

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