実例で学ぶ : AIニューラルネットワークが切り拓く次世代センシング技術へ

セミナー講師

章 忠　氏　　　　広島工業大学　工学部　知能機械工学科　教授 / 豊橋技術科学大学 名誉教授

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。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、広島工業大学工学部知能機械工学科・教授。

セミナー受講料

お1人様受講の場合　53,900円[税込] / 1名1口でお申込の場合　66,000円[税込] / 1口（3名まで受講可能）受講申込ページで2～3名を同時に申し込んだ場合、自動的に1口申し込みと致します。

受講について

• 本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、お申込み前にZoomのテストミーティング（http://zoom.us/test）にアクセスできることをご確認下さい。
• インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。
• 受講中の録音・撮影等は固くお断りいたします。

セミナー趣旨

センシング技術は、センサーと呼ばれる感知器などを使用して様々な情報を計測して数値化する技術ですが、それにより取得されたデータについてAI技術を用いて分析・診断・予測などを行い、センシング技術を知能化へ発展させることに大きく期待されています。

AI技術にはChatGPTが生成AIとして話題となっている一方、生産技術開発の現場ではAI技術をどう導入するか、多くの課題が残っています。本セミナーはAI技術の基礎をわかりやすく説明し、ニューラルネットワークの各種モデルとディープラーニングについて、それらの基本原理および応用について実例を挙げながら紹介します。さらにディープランニングの一種であるMask R-CNNを例にし、それの基本原理や転移学習などを紹介し、光沢部品の表面検査への応用を通じてそれによる検査システムの構成手法を紹介します。

セミナープログラム

1．人工知能(AI)と脳の情報処理　　　  1-1　人工知能(AI)について　　　　　a. 人工知能(AI)とは　　　　　b. 脳の情報処理とニューラルネットワーク　　　　　c. ニューラルネットワークのモデルとその特徴 　　　　　d. 人工知能の歴史と適用範囲

　　　　1-2　機械学習とニューラルネットワーク　　　　　a. 機械学習(Machine Learning)の基礎　　　　　b. 機械学習と相互結合型ニューラルネットワーク　　　　　c. 機械学習と階層型ニューラルネットワーク 　　　　　d. 深層学習と転移学習　　　　　e. 深層学習とビックデータ

　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　　　　　a. 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　　　　　b. 動的ネットワーク(DRN)とセンサフュージョンへの応用　　　　　c. 自己組織マップネットワーク(SOM)と音源定位への応用 　　　　　d. 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　　　　　a. 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　　　　　b. 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　　　　　c. 階層型ニューラルネットワークと次元削減への応用 　　　　　d. 階層型ニューラルネットワークと時系列予測問題への応用

　3．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と水道管漏水検出への応用　　　　　a. 周波数解析による水道管漏水の計測と診断の問題点　　　　　b. リカレンスプロットによる漏水音の位相情報の抽出　　　　　c. 畳み込みニューラルネットワークによる漏水検出 　　　　　d. 位相パターンの相互相関による漏水位置の検出

　　　　3-2　Mask-R CNNとその光沢表面部品自動検査システムへの応用　　　　　a. CNNのみ検査システムの課題点とMask R-CNNの特徴　　　　　b. Mask R-CNNを用いる表面自動検査システムの構成　　　　　c. 画像計測部の基本構成と構築　　　　　　d. Mask R-CNNを用いる欠陥検査部の構築　　　　　e. 欠陥検出精度の評価