AI外観検査導入のための基礎と進め方・留意点

～AI画像認識技術の基礎、導入プロジェクトの進め方、品質保証への対応～ 

セミナー講師

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

セミナー受講料

49,500円（税込、資料付）
■ セミナー主催者からの会員登録をしていただいた場合、1名で申込の場合46,200円、
　 2名同時申込の場合計49,500円（2人目無料：1名あたり24,750円）で受講できます。
（セミナーのお申し込みと同時に会員登録をさせていただきますので、
　  今回の受講料から会員価格を適用いたします。）
※ 会員登録とは
　 ご登録いただきますと、セミナーや書籍などの商品をご案内させていただきます。
　 すべて無料で年会費・更新料・登録費は一切かかりません。
　 メールまたは郵送でのご案内となります。
　 郵送での案内をご希望の方は、備考欄に【郵送案内希望】とご記入ください。

受講について

Zoomを使ったWEB配信セミナー受講の手順

1. Zoomを使用されたことがない方は、こちらからミーティング用Zoomクライアントをダウンロードしてください。ダウンロードできない方はブラウザ版でも受講可能です。
2. セミナー前日までに必ず動作確認をお願いします。
3. 開催日直前にWEBセミナーへの招待メールをお送りいたします。当日のセミナー開始10分前までに招待メールに記載されている視聴用URLよりWEB配信セミナーにご参加ください。

• セミナー資料は開催前日までにお送りいたします。
  ご自宅への送付を希望の方はコメント欄にご住所などをご記入ください。
  開催まで4営業日～前日にお申込みの場合、セミナー資料の到着が、開講日に間に合わない可能性がありますことご了承下さい。
• 無断転載、二次利用や講義の録音、録画などの行為を固く禁じます。

セミナー趣旨

　ここ数年、AI（人工知能）の応用が急速に進展しています。劇的な認識率の向上をもたらしAI分野を発展させたのが、「Deep Learning（深層学習）」のアルゴリズムであり、実装が容易なライブラリの登場により、画像認識を中心に利用例が報告されています。
　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。画像データの前処理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。

受講対象・レベル

・AI関連技術・画像認識技術による外観検査業務の効率化や自動化・無人化を検討中の方、着手し始めた方

必要な予備知識

特に予備知識は必要ありません。基礎から解説いたします

習得できる知識

・AI画像認識技術の基礎・原理
・AI画像認識システム導入の進め方
・画像取得の際の留意点

セミナープログラム

1．AI画像認識システムの動向と導入基礎
　1-1 AI画像認識の基礎
　1-2 国内外のAI画像認識の最新事例
　1-3 AI画像認識システムのメリット
　1-4 AI画像認識システム導入時の留意点
　1-5「機械学習」と「深層学習」の選択

2．AI画像認識システムの各種実例
　2-1 パン識別システム「BakeryScan」の特徴と実際
　　(1) BakeryScanのシステム構成
　　(2) BakeryScanの画像処理（特徴量の抽出方法等）
　　(3) パン識別にかかる課題
　　(4) 現場導入時の課題
　　(5) BakeryScanのアルゴリズムの改良
　2-2 不織布画像検査システムの特徴と実際
　　(1) 不織布の異物検査
　　(2) 既存の画像検査システムの課題
　　(3) 不織布画像検査システムの構成と特徴
　　(4) 機械学習による異物判別
　2-3 油圧部品についての自動外観検査システムの特徴と実際
　　(1) 外観検査の課題
　　(2) 正常・異常判別と機械学習による2クラス分類
　　(3) AIの限界とデータセットの不均衡
　　(4) ONE Class SVM（OCSVM）による良品学習
　　(5) OCSVMの課題とVAEによる異常検出
　　(6) 導入した外観検査システムとロボットのハンドカメラによる撮像
　　(7) VAEによる傷検出と誤検出の改善

3．AI外観検査のはじめ方と機械学習を意識した画像データ準備・前処理
　3-1 AI外観検査の進め方
　　(1) 検査項目の網羅と評価基準の明確化
　　(2) 試作開発の前段階における概念実証（PoC）
　3-2 機械学習を意識した画像データ（学習データ）の準備
　　(1) 画像撮影時の注意点
　　(2) オススメのPoC用撮影環境
　3-3 学習が難しい画像
　　(1) 撮影環境や条件のばらつき
　　(2) 背景によるご認識の例
　3-4 学習しやすい画像のための前処理

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

5．識別根拠の課題と品質保証への対応
　5-1 Deep Learningは内部分析が困難
　5-2 説明可能性・解釈性（XAI）に関する技術
　5-3 Deep Learningが着目しているところ（Grad-CAM）

6．AI画像認識システム導入の進め方
　6-1 要求定義の取りまとめ
　6-2 AI機能の選定
　6-3 社内教育とプロジェクトの立ち上げ方（産学連携助成の活用等）
　6-4 学習データの準備とその留意点
　6-5 概念実証(PoC)の特徴・考え方・進め方
　6-6 ラインでの実運用
　6-7 運用による精度向上

外観検査,AI,画像検査,セミナー