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

★車の異常音検出、プリント基板の欠陥検査、　　　　　　光沢部品表面表面検査システム、センサーフュージョン・・・※オンライン会議アプリzoomを使ったWEBセミナーです。ご自宅や職場のノートPCで受講できます。【アーカイブ配信受講：12/11（木）～12/17（木）】での受講もお選びいただけます。

セミナー講師

広島工業大学 工学部知能機械工学科 教授 博士（工学）章 忠 氏【ご専門】計測工学、知的システム　【ご経歴】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。豊橋技術科学大学・名誉教授。

セミナー受講料

55,000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49,500円、　 2名同時申込の場合計55,000円（2人目無料：1名あたり27,500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。
• アーカイブの場合は、配信開始日以降に、セミナー資料と動画のURLをメールでお送りします。
• 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

　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る。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などではAI技術をどう導入するか、多くの課題が残っている。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。

受講対象・レベル

・AI技術の未経験者や製造業務にたずさわって2~3年の若手技術者・新人の方など

必要な予備知識

・線形代数と微分・積分、確率統計、フーリエ変換の初歩的な知識

習得できる知識

・ニューラルネットワークに関する基礎知識・ニューラルネットワークを活用するテクニック・ディープランニングの基礎知識と活用のテクニック・ディープランニングを用いてシステムを構築する知識と技術

セミナープログラム

１．人工知能(AI)と脳の情報処理　(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　(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・深層学習・ニューラルネットワーク　(3) 機械学習とニューラルネットワークの各種モデル　　ａ．相互結合型ニューラルネットワークモデル　　ｂ．階層型ニューラルネットワークモデル　(4) 深層学習とディープランニング　　ａ．深層学習と転移学習　　ｂ．代表的なディープラーニング 　(5) 深層学習とビックデータ　　ａ.良質な学習データが必要  　　ｂ.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　(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) 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特徴抽出における次元削減への応用　　d. 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　(1) 畳み込みニューラルネットワーク　　a.多層型ニューラルネットワークの限界　　b.畳み込みニューラルネットワーク(CNN)の原理　　c.これまでに提案された代表的なCNNの各種　　d. CNNの水道管漏水検出への応用例　　e. CNNの一種であるOpenPoseの運転行動抽出への応用例　(2) Mask R-CNNとその表面検査システムへの応用　　a. CNNの表面検査への応用例　　b. CNNのみ検査システムの課題点　　c. Mask R-CNNの特徴　　d. Mask R-CNNを用いる表面自動検査システムの構成　　　e. 画像計測部の基本構成　　f. 欠陥検査部の構成と構築　　g. 欠陥検出精度の評価　(3) 人工知能の歴史と適用範囲　　a. 人工知能（AI）の歴史　　b. 人工知能（AI）の適用範囲

４．まとめ