【書き起こし】(2) 外観検査自動化で活用できる画像処理とAIの基礎
(00:02) 事前のご質問で画像処理でできることでき ないことっていうところがあの 確認をしたいというようなお話を頂戴して おりましたのでざっくり画像処理でできる ことを3点まとめますとこちらのような形 になります 一つ目がですね a 高精細のカメラが人 の目に代わってですね検査を行うという ところで現在1手作業で行っているような 目視検査の部分を置き換えるような形に なります このに私どもで担当させていただいている 検査でいきますと期ずれ傷ですとか汚れ ですとかもののあるなしの検査が該当し ます 次に対象物の外形を抽出したり長さや面積 を調べるというところで ものの形状ですとかサイズの県総をさせて いただくことがあります ただこちらの場合ですとものによっては カメラではなくてセンサーを使った方が いいというところで違うようなやり方を 提案させていただくこともあるのでぜひ 一度あの 5節ご相談をいただければと思います 一方でですね今まで画像処理でできること
(01:07) というところでいくつか事例をご紹介させ ていただいたんですけれどもできないこと も当然ながら存在しております大きく 分けるとこういった状況下ではなかなか 画像処理では対応しきれないというところ なんですけれども a 現状今人の目でこう色々と判別されて いらっしゃる場合に人の目でも判別ができ ないことはへカメラにも判別ができない ような形になっておりますですね撮像も 画像上で見えないものも判別ができない ようになっております 台詞は濃淡の差がないようなものですとか 撮像する際の背景とええええ 対象物ですね p 検査物が同じ色な場合 にもですねなかなかカメラの認識ができ ないようになっておりますまた工場におい てはですねい外側から日差しが入ってくる 場合があるかと思うんですけれどもそう 一旦外乱光の方が激しく先ほど補正する 照明のお話をいくつか出させていただいた かと思うんですけれどもそういった照明に よる対象物の見分けがこうなかなかつか ない場合にですね画像処理ではあの
(02:12) 取り扱うことが難しいようなものになって おります 通常の画像処理による検査とですね deep learning ai を 使った検査の違いというものこちらになり ます 機械学習とディープラーニングという ところでどちらもよく聞かれる場合がある かと思うんですけれども両社はですね退避 するものではなく包含関係にございます エアーに含まれる分析する技術としてい 機械学習が存在しており 機械学習の一つの技術としてディープ ラーニングがあるというような位置づけに なっています それでは機械学習は何かというとですね 与えられたデータ群から何らかの規則や 判断基準を学習してそれに基づいて未知の ものを予測判断するという技術になります ざっくりと与えられたデータを分析する 技術と捉えて頂けますと幸いです 今まで主流であったルールベース 通常の画像処理と機械学習ディープ ラーニングについて事項から解説して参り たいと思います
(03:16) 先にですねこちらの資料の中でレベルと いうところで1から4に分けられているか と思うんですがレベル1がですね単純な プログラムによって動作がすべて決められ ているものになります 次が進んで状況に応じて動作を選択したり もうすでにあのーを与えられた知識をもと に答えを薄い息することでぐ雑なことが できるというのがレベルとしてに投げます 産業機械学習に行きますと コンピューターを使ってデータから統計的 に頬を見つけ出すというところで機械学習 の手法を取り入れたものになります レベルようになりますと従来の機械学習で はどの部分に注目して判断すべきかという 特長を 人が定義していたんですけれどもそこを ai が自動的に特徴を抽出することで 人間が表現できないような複雑の特徴でも 学習することができるような流れになって います 次はですね通常の画像処理の検査と ディープラーニングを使った検査の違いに なっております見ていただくと分かるん ですけれどもルールベースは人がまあ自動
(04:21) 車の特徴量 ここで行くとタイヤフロントガラスライト を定義したとしてルールベースは定義に あった自動車の画像を認識できるようにい ます 方法ですと大量の画像があると定義づけに 対応できないという問題がございます機械 学習は車の画像から自動車はどれかという ところですね人が教えるようになります 先ほどで言うところのレベル3という ところですね機械学習ですと車の特徴量を 獲得して定義してその定義にあった自動車 のアズを認識するような形になります この方法ですと 大量の画像を扱う2扱う必要があるという ところと人によってあの定義することに なるのでその部分の他のてぃまがですね 増えるという問題があります 最後 deep learning です と入力された車の画像から自動車の特徴量 を自動的にですね自ら学習してその定義に あった自動車の画像を認識するような形に なっていますそれによって得つつ力判定と して自動車という風に出すまでにいう
(05:26) ルールベース期待学習ディープラーニング で ふむ手順の方が異なっているという形に なります ではですねメリットデメリットっていくと 通常のルールベースとディープラーニング の中でどのような違いがあるかという ところなんですが 簡単に言いますとルールベースは数値化 できますただ変更が難しいというところ です ai は操作が簡単なんですが データの準備が難しいというところになり ます よくあの工場の中でですね数値として やはりあの品質の管理をしていきたいと いう場合にはえーっ こちらがルールベースを選択するような形 になっております 近年 ai の活用が注目される理由とし ましては ルールベースのデメリットを詳しく説明さ せていただく必要があるかと思います ルールベース s と判定ロジックを今 修道を構築する必要がありますそのため その構築自体がまぁこんなになりまして 実用に耐えるレベルの仕組みに到達すると
(06:30) いう場合にはですね非常に高い技術力 リソースの方が必要になってまいります バターの精霊た編集の場合であったり製品 のスパンが短い場合にですね製品を追加し たりもしくは検査の精度を向上していき たいというお悩みはつきものかと思うん ですけれども 判定ロジックの継続的な精度の向上という ものはかなり難しくですね もし見直しをかけるという場合にですね 判定ロジックをはじめから構築し直すと いうケースがほとんどになります そのためですね非常に大きい修正であっ たりシステムの再構築が必要になっている というところで検査において ai の 優位性というところが注目されているよう な形になります 簡単にルールベースのメリットは計規則に 対応できる数値化ができる検査の分類自体 ができるというところなんですが デメリットは設定変更が難しい技術継承が 難しい設定を作ることが難しいという ところになります deep learning ですとメリットとして は俯瞰した検査ができる違和感の演出と
(07:34) いうところができる操作が簡単であると いうところなんですがデメリットとしては 数値化できないというところと事前に撮像 する撮像したデータを準備するという ところでかなりの枚数必要になってくるの でそちらが難しいというところと単体での 角が難しいというところが挙げられます ケースによってですね ルールベースにするのか ai にするの かというところを考えていただくような形 になるかと思います 先ほどでのお話にありましたように数値で 管理をするという場合には a 従来型 ルールベースでの画像処理 それ以外の場合で形状がおおむねへ単一的 方向性が確認できるという場合には従来型 ルールベース一方不起訴癖があり経験則を 元もな検査になってくる場合に ai が 必要となってきます
■続きのご視聴登録はこちら（無料）
https://forms.office.com/r/G2eZy3iPQ5
■AI導入支援パッケージ
■画像処理検証施設「画処ラボ」
お役立ちコラム、資料も公開中です。
ぜひご覧いただき、お役立てください。
■ お役立ち自動化コラム一覧
https://jss1.jp/column/
■ お役立ちダウンロード資料一覧
https://www.aperza.com/company/page/347/
▼日本サポートシステムについて
製造業の省人化・省力化を支援する関東最大級のロボットSIerです。
業界を問わず年間300台以上の装置をお客様へ導入しております。
画像処理検証施設も保有しており、お客様に合ったソリューションの
ご提案が可能です。
また月間20万PVを誇る製造業コラム「おしえてJSS」も運営しております。
ぜひご覧ください。
・日本サポートシステムHP
https://jss1.jp/
・おしえてJSS
https://jss1.jp/column/
・自動化の基礎知識資料集
