1/28 AI外観検査（画像認識）の はじめ方、すすめ方、精度向上への考え方

兵庫県立大学　大学院工学研究科　電子情報工学専攻　准教授　博士(工学)　森本 雅和　氏
【講師紹介】

　ここ数年、AI（人工知能）の応用が急速に進展しています。DeepLearning（深層学習）が劇的な認識率の向上をもたらしてAI分野を発展させ、生成AIがその応用範囲を広げています。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いくつかの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開発実例紹介
　1-1 パン識別システム「BakeryScan」
　1-2 不織布の外観検査システム
　1-3 油圧部品の外観検査システム
　1-4 金属チェーンの外観検査システム
　1-5 レンガの外観検査システム

2．AI外観検査プロジェクトのはじめ方
　2-1 AI外観検査の進め方・概念実証（PoC）
　2-2 機械学習を意識した画像データの撮影
　2-3 学習が難しい画像
　2-4 学習しやすい画像のための前処理

3．学習データの量と質の課題
　3-1 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）
　3-2 学習データはどの程度必要か
　3-3 外観検査における学習データ不均衡の問題
　3-4 学習データの拡張，生成AIの活用
　3-5 ラベル付き公開データセットと転移学習による対応

4．識別根拠の課題と品質保証への対応
　4-1 Deep Learningは内部分析が困難
　4-2 説明可能人工知能（XAI）
　4-3 Grad-CAMによる注目領域確認
　4-4 品質保証への対応・段階的なAI外観検査の導入

5．AI外観検査システム導入の進め方まとめ
　5-0 外部資金の獲得
　5-1 不良品の定義確認と不良品サンプルの収集
　5-2 撮影方法の検討
　5-3 撮影装置の導入とデータ収集からPoC
　5-4 初期判定モデルを作成し，プロトタイプとして導入
　5-5 モデル改良と精度検証の繰り返し
　5-6 本格運用開始後の維持管理
　5-7 外観検査プロジェクトを成功させるために

質疑応答

※詳細・お申込みは上記

「お申し込みはこちらから」（遷移先WEBサイト）よりご確認ください。