| イベント名 | 知的センシングの要素技術と実装アプローチ－AI・センサ融合と異常検知・外観検査等への応用－ |
|---|---|
| 開催期間 |
2026年06月12日（金）
10:30～16:30 【見逃し配信の視聴期間】 開催翌営業日から7日間［6/15～6/21中］を予定 ※動画は未編集のものになります。 ※視聴ページは、開催翌営業日にマイページへリンクを設定します。 ※会社・自宅にいながら受講可能です。 ※講義の録音・撮影はご遠慮ください。 ※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。 ■配布資料 PDFデータ(印刷可・編集不可) ※開催2日前を目安に、主催会社様HPのS&T会員マイページよりダウンロード可となります。 |
| 会場名 | 【Zoomによるライブ配信セミナー】アーカイブ(見逃し)配信付き |
| 会場の住所 | オンライン |
| お申し込み期限日 | 2026年06月12日（金）10時 |
| お申し込み受付人数 | 30 名様 |
| お申し込み |
|
知的センシングの要素技術と実装アプローチ－AI・センサ融合と異常検知・外観検査等への応用－
受講料（税込）：55,000円
＼お得な割引キャンペーン実施中！／
詳細・お申し込みは「お申し込みはこちらから」よりご確認ください。
【オンライン配信】
ライブ配信 ►受講方法・接続確認（申込み前に必ずご確認ください）
アーカイブ配信 ►受講方法・視聴環境確認（申込み前に必ずご確認ください）
セミナー視聴はマイページから
お申し込み後、マイページの「セミナー資料ダウンロード／映像視聴ページ」に
お申込み済みのセミナー一覧が表示されますので、該当セミナーをクリックしてください。
（アーカイブ配信は、配信日に表示されます。）
人工知能・機械学習の基礎と各種ニューラルネットワークやディープラーニングの原理を踏まえ、外観検査・異常音検出・運転危険度予測等の応用事例や、Mask R-CNNや転移学習を用いた自動検査システムの構築例を通じて、現場導入に向けた実装の考え方や要点を解説します。
講師
愛知産業大学 造形学部 スマートデザイン学科 教授 博士(工学) 章 忠 氏
専門：計測工学、知的システム
1993年岡山大学大学院博士課程修了．2004年まで、岡山県工業技術センター，計測制御研究室長・専門研究員，岡山県立大学大学院・助教授．1998年9月から1999年3まで，オーストラリア Melbourne大学客員研究員．2004年10月から2020年3月まで豊橋技術科学大学大学院工学研究科・教授、2020年4月から2025年3月まで広島工業大学工学部知能機械工学科・教授。振動騒音の計測制御，信号処理および異常診断，ウェーブレット変換およびIOT・AI技術の応用などの研究に従事． 現在、愛知産業大学造形学部スマートデザイン学科・教授。
セミナー趣旨
センシング技術は、センサを用いて実世界の状態や物理現象を信号・画像として取得する技術であり、近年はAIと組み合わせることで、状態理解・異常診断・将来予測を行う知能化センシングへと発展しています。これらは、実世界を対象とするAI、すなわちフィジカルAIを構成する中核的技術です。
一方、ChatGPTに代表される生成AIが注目される中、生産技術や社会インフラの現場では、実世界のデータをどのようにAIで扱い、課題解決につなげるかが重要な課題となっています。
本セミナーでは、フィジカルAIの基盤技術として、人工知能・機械学習の基礎から各種ニューラルネットワーク、ディープラーニングの原理と応用を解説します。さらに、異常音検出や水道管漏水検出などの実例に加え、ディープラーニングの一例としてMask R-CNNを取り上げ、転移学習を活用した光沢表面部品の自動検査システムを題材に、フィジカルAIを現場に実装するための実践的アプローチを紹介します。
セミナー講演内容
０．はじめに
0.1 フィジカルAIと生成AIの違い
0.2 知的センシングのフィジカルAIにおける位置づけ
１．人工知能(AI)と脳の情報処理
1.1 人工知能(AI)について
1.1.1 人工知能(AI)とは
1.1.2 脳の情報処理とニューラルネットワーク
1.2 機械学習とニューラルネットワーク
1.2.1 機械学習(Machine Learning)の基礎
1.2.2 機械学習・深層学習・ニューラルネットワーク
1.3 機械学習とニューラルネットワークの各種モデル
1.3.1 相互結合型ニューラルネットワークモデル
1.3.2 階層型ニューラルネットワークモデル
1.4 深層学習とディープランニング
1.4.1 深層学習と転移学習
1.4.2 代表的なディープラーニング
1.5 深層学習とビックデータ
1.5.1 良質な学習データが必要
1.5.2 公開された巨大なデータセットを積極的に利用
２．ニューラルネットワークの各種モデルとその知能化センシングへの応用例
2.1 相互結合モデルと応用例
2.1.1 セルラーニューラルネットワーク(CNN)と異常音検出への応用
2.1.2 動的ネットワーク(DRN)とセンサフュージョンへの応用
2.1.3 自己組織マップネットワーク(SOM)と音源定位への応用
2.1.4 ベイジアンネットワークと運転危険度予測への応用
2.2 階層型モデルと応用例
2.2.1 階層型ニューラルネットワークと肝臓病識別問題への応用
2.2.2 サポートベクトルマシンとプリント基板欠陥検査への応用
2.2.3 階層型ニューラルネットワークと特徴抽出における次元削減への応用
2.2.4 階層型ニューラルネットワークと漫然運転の時系列予測問題への応用
３．ディープラーニングの一種である畳み込みニューラルネットワークと応用例
3.1 畳み込みニューラルネットワーク
3.1.1 多層型ニューラルネットワークの限界
3.1.2 畳み込みニューラルネットワーク(CNN)の原理
3.1.3 これまでに提案された代表的なCNNの各種
3.1.4 CNNの水道管漏水検出への応用例
3.1.5 CNNの一種であるOpenPoseの運転行動抽出への応用例
3.2 Mask R-CNNとその表面検査システムへの応用
3.2.1 CNNの表面検査への応用例
3.2.2 CNNのみ検査システムの課題点
3.2.3 Mask R-CNNの特徴
3.2.4 Mask R-CNNを用いる表面自動検査システムの構成
3.2.5 画像計測部の基本構成
3.2.6 欠陥検査部の構成と構築
3.2.7 欠陥検出精度の評価
3.3 人工知能の歴史と適用範囲
3.3.1 人工知能（AI）の歴史
3.3.2 人工知能（AI）の適用範囲
４．まとめ
□ 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。
- サイト内検索
- ページカテゴリ一覧
- 新着ページ
-
- 7/17 XR時代の表示デバイス材料・技術の ≪最新潮流≫ (2026年05月28日)
- 7/15 事例で学ぶ！サンプリングの統計的根拠と妥当性の証明・品質劣化リスクの回避 (2026年05月28日)
- 7/14 抗体医薬・抗体薬物複合体(ADC)を始めとしたバイオ医薬品の特性解析（構造解析）とペプチドマップ、糖鎖プロファイルの規格及び試験方法設定のポイント (2026年05月28日)
- 7/14 ビルマルチ空調設備のAI最適制御と電力マネジメント技術 (2026年05月28日)
- 7/15 ナノカーボン材料（カーボンナノチューブ・グラフェン）の分散技術・凝集制御における物理化学の基礎と分散評価方法 (2026年05月28日)
- 7/8 高分子接着の基礎と接着性制御に向けた界面構造・残留応力の評価および表面処理 (2026年05月28日)
- 7/3 化学分野における特許出願戦略と強い明細書の作成 (2026年05月28日)
- 7/16 ＜信頼性基準試験での適用＞信頼性の高い研究成果を得るための生データ・実験記録(ノート)の取り方【不備発生事例と対応】 (2026年05月28日)
- 7/23 半導体ウェット洗浄技術の基礎と乾燥技術、および技術トレンドと最先端技術 (2026年05月28日)
- 7/15 実験計画法 入門講座Excelで学ぶ分散分析と効率的な実験設計 (2026年05月28日)
