記事公開日：2023.12.01
最終更新日：2023.12.01

製造業の社長が知るべきAI（ディープラーニング）画像検査のポイントとは？

いつも当コラムをご愛読いただきありがとうございます。

１．AI（ディープラーニング）画像検査のポイント
２．成功事例
３．各項目の重要性
４．まとめ

１．AI（ディープラーニング）画像検査のポイント

製造業の社長が知っておくべきAI（ディープラーニング）画像検査のポイントとは以下の事です。

サンプルデータの準備: AIモデルを訓練するためには、多くのサンプルデータが必要です。正しいラベル付けがされた多様な製品の画像データを収集し、特に不良品の画像に重点をおくことが重要です。
ラベル付けとアノテーション: サンプルデータに正しいラベルを付けることで、AIモデルが正確に学習することができます。不良品の位置や種類など、必要な情報をアノテーションしてデータセットを準備します。
アルゴリズムとモデルの選択: 画像検査には様々なアルゴリズムとモデルがあります。ディープラーニングの畳み込みニューラルネットワーク（CNN）は、画像認識や検査によく用いられます。適切なアルゴリズムとモデルを選択し、利用可能なリソースと要件に合わせた開発を行います。
モデルの訓練と評価:　データセットを使用してAIモデルを訓練し、その精度や性能を評価します。適切なトレーニング手法やハイパーパラメータの選択を行い、モデルの性能を最大化します。クロスバリデーションやテストデータを使用してモデルの評価を行い、適切な精度を確認します。
リアルタイムの運用性: AI（ディープラーニング）画像検査はリアルタイムの運用も求められます。モデルを実際の製品ラインに統合し、高速で画像処理を行いながら検査結果を返す能力が必要です。リアルタイム性、スケーラビリティ、可用性などを考慮したシステムの開発が必要です。
継続的なモデルの改善と監視: AIモデルはトレーニング後も継続的な改善と監視が必要です。新たなデータの収集や追加学習などによりモデルを改善し、実際の運用データをベースにモデルのパフォーマンスを監視します。

これらのポイントを考慮し、製造業の社長がAI（ディープラーニング）画像検査の導入や開発を行うことが重要です。それにより、効率的な不良品検出や品質管理の向上を実現することができます。

上記の6つの列挙項目から分かる様に製造業の社長が知っておくべくAI（ディープラーニング）画像検査のポイントは主に6つの事象がある事が分かります。本コラムでは6つ事象の事例を交えて説明させて頂きます。

２．成功事例

製造業の社長が知っておくべきAI（ディープラーニング）画像検査のポイントを導入事例と共に解説します。

2.1 サンプルデータの準備
AIモデルを訓練するためには、多くのサンプルデータが必要です。正しいラベル付けがされた多様な製品の画像データを収集し、特に不良品の画像に重点をおくことが重要です。

導入事例：樹脂成型品のAI検査
樹脂成型品の良品サンプルと不良品サンプルを各約100個、つまり合計　約200個をお客様にご用意頂きました。
次に１つのサンプル品につき、上下左右前後の６方向から撮影し、合計約1,200枚の画像を撮影しました。
次に約1,200枚の画像から不良個所のある画像が約300枚をAIに学習させる事が出来ました。また、残り約900枚は正常品画像としてAIに学習させる事が出来ました。

2.2 ラベル付けとアノテーション
サンプルデータに正しいラベルを付けることで、AIモデルが正確に学習することができます。不良品の位置や種類など、必要な情報をアノテーションしてデータセットを準備します。

導入事例：ゼリー容器の側面フィルムのAI検査
側面フィルムの不良個所を指定して、AIに不良部を教える方法「教示有り」という設定で学習させました。
フィルムの皺やめくれ、破れ、位置ズレなどを不良個所として登録する事で、正しく良品と不良品を判別する事が出来ました。

2.3 アルゴリズムとモデルの選択
画像検査には様々なアルゴリズムとモデルがあります。ディープラーニングの畳み込みニューラルネットワーク（CNN）は、画像認識や検査によく用いられます。適切なアルゴリズムとモデルを選択し、利用可能なリソースと要件に合わせた開発を行います。

導入事例：刻印文字のAI検査
金属コネクタに刻印された製品名（型式）をAI画像検査で判定を行う。
プレス刻印機で刻印される為、刻印された文字にばらつきがありました。
同じ文字でもばらつきが発生するため、ディープラーニングの畳み込みを使用し、ばらつきがあっても判別できる様に学習させることで、文字を認識し、認識できない場合を不良と判定する。

2.4 モデルの訓練と評価
データセットを使用してAIモデルを訓練し、その精度や性能を評価します。適切なトレーニング手法やハイパーパラメータの選択を行い、モデルの性能を最大化します。クロスバリデーションやテストデータを使用してモデルの評価を行い、適切な精度を確認します。

導入事例：冷却シートのAI検査
学習データを正常品画像と不良品画像を使って作成したのち、実際に製造ラインに導入する前に検査精度の評価を行いました。
異物や気泡、ズレなどの新たな不良品画像を数百枚用意し、漏れなく検出できるかを評価したうえで、実際の生産ラインへ導入しました。

2.5 リアルタイムの運用性
AI（ディープラーニング）画像検査はリアルタイムの運用も求められます。モデルを実際の製品ラインに統合し、高速で画像処理を行いながら検査結果を返す能力が必要です。リアルタイム性、スケーラビリティ、可用性などを考慮したシステムの開発が必要です。

導入事例：高速で巻き取る金属ワイヤのAI検査
高速で巻き取る金属ワイヤが正しく巻き取れない時を検出します。
例えば、ほつれ、浮き、ズレなどを素早く検出し、巻き取り装置を止めて、やり直しを行うためのAI検査装置です。
金属ワイヤが何重にも巻かれるため、一般的なルールベースの画像処理では困難でした。
また、検出速度も5msec以内に判定する為、不具合検出して直ぐに停止出来る為、まき直しが楽になりました。

2.6 継続的なモデルの改善と監視
AIモデルはトレーニング後も継続的な改善と監視が必要です。新たなデータの収集や追加学習などによりモデルを改善し、実際の運用データをベースにモデルのパフォーマンスを監視します。

導入事例：樹脂成型品のAI画像検査
成型後、一旦、Ｋ社製のルールベース画像検査（昔ながらの画像処理）を行い、ＮＧ判定した画像をＡＩで再検査しています。
導入当初の学習データではなかった不良が出だしたので、学習データを作り直し、以前からの不良に新しい不良を学習させたデータにする事にしました。
それにより以前からの不良と新しい不良も上手く検出出来る様になりました。

３．各項目の重要性

3.1 サンプルデータの準備
AIモデルを訓練するためには、多くのサンプルデータが必要です。正しいラベル付けがされた多様な製品の画像データを収集し、特に不良品の画像に重点をおくことが重要です。
AIモデルとは簡単に言うとお手本という事です。
つまり、お手本となる良品と不良品を複数用意し、それらをAIに学習させる事が重要です。
例えば、目視検査員に良品サンプルだけ渡しても、目視検査員は不良品を判断する事は難しいのと同じです。不良品のサンプルも渡して、どういった不良が出やすい製品なのか？
どの部分をどの様な不良が発生していて、目視検査員に不良を見つけて欲しいのか皆様は説明して、目視検査員に目視検査を行って頂いていると思います。
その目視検査員をAI画像検査に置き換えてみてください。そして、目視検査員と同じようにAI画像検査においても教えてあげるのです。

3.2 ラベル付けとアノテーション
サンプルデータに正しいラベルを付けることで、AIモデルが正確に学習することができます。不良品の位置や種類など、必要な情報をアノテーションしてデータセットを準備します。
ラベル付けとは良品画像には良品であるというラベルをつけます。また、不良品画像には不良品であるというラベルをつけます。また、不良品画像を更に細かく分類したい場合は、それぞれの不良種別毎にラベルとつける事が出来ます。
アノテーションとはAIが学習するために、テキストや音声や画像などあらゆる形態のデータにタグを付けて、「意味」をもたせる作業のことです。
アノテーションを行う時に重要なのは、例えば、「傷」という不良に対し、傷が明らかに分かる不良品画像を用意する事、また傷の不良においても「大きさ」「方向性」「深さ」など不良と判別するための不良品画像を用意する必要があります。明らかな小さな傷で良品と判断して欲しい傷の画像を不良品画像に含めて学習させてしまうとAIはそれらを不良品と判断してしまいますが、それらを良品としてAIに学習させる事で意図した判定を行える学習データを作る事が出来ます。

3.3 アルゴリズムとモデルの選択
画像検査には様々なアルゴリズムとモデルがあります。ディープラーニングの畳み込みニューラルネットワーク（CNN）は、画像認識や検査によく用いられます。適切なアルゴリズムとモデルを選択し、利用可能なリソースと要件に合わせた開発を行います。
アルゴリズムとは「欠陥検出アルゴリズム（教示無し）」、「欠陥検出アルゴリズム（教示有り）」、「分類アルゴリズム」、「カウントアルゴリズム」、「文字認識アルゴリズム」などがあります。
主に製造業で使用するのは「欠陥検出アルゴリズム」です。これは良品と傷や汚れ、打痕などの不良を判別するのに使用されます。その中でも教示有り、無しというのは、意図して不良個所を指示して学習させるか、そうでないかの違いです。例えば、傷の箇所はココだと教えるか、教えずに学習させるかの違いです。例えば特に特定箇所に傷が出やすい場合や背景画像との違いが少なく分かりにくい場合に教示有り学習すると有効です。
「分類アルゴリズム」は例えば、不良の種別を分けて検出したい場合なので使用します。「傷」、「汚れ」、「打痕」、「凸」など分ける場合などです。また、複数の種類が写る画像からそれぞれの物を仕分ける場合にも有効です。「カウントアルゴリズム」はカウントするのに便利なアルゴリズムです。例えば、トレー中の沢山のボルトをカウントしたい場合に　全体が見えているボルトばかりでなく、一部だけ見えているボルトをカウントさせるなどに有効です。「文字認識アルゴリズム」は文字を読み取るのに有効なアルゴリズムです。文字のフォントが変わっていても、学習する事でフォント違いでも読み取る事が出来ます。
モデルとは、上記アルゴリズムを活用する為に必要なモデル、お手本となる画像の事です。正しいアルゴリズムと正しいモデルを用意する事が非常に大切になります。

3.4 モデルの訓練と評価
データセットを使用してAIモデルを訓練し、その精度や性能を評価します。適切なトレーニング手法やハイパーパラメータの選択を行い、モデルの性能を最大化します。クロスバリデーションやテストデータを使用してモデルの評価を行い、適切な精度を確認します。
モデルの訓練とは、AIに１度の学習モデルを構築させただけで完璧に検査などが出来るという事はまずありません。よって、何度も繰り返し、やり直して、納得の行く検査が出来る学習データを作る事が必要です。そのためには、実際に作成した学習データ：AIモデルで実際に撮影した画像を判定させて、正しく判定出来ているか？欲しい精度が検出出来るか？意図する処理時間内で判定出来ているか？などテストしその結果を評価する事が必要です。

3.5 リアルタイムの運用性
AI（ディープラーニング）画像検査はリアルタイムの運用も求められます。モデルを実際の製品ラインに統合し、高速で画像処理を行いながら検査結果を返す能力が必要です。リアルタイム性、スケーラビリティ、可用性などを考慮したシステムの開発が必要です。
一般的なPCでもAI画像検査ソフトは動作します。しかし、AI画像検査における処理は、処理するPCに多大な負荷をかけます。よって、AI画像処理で良く用いられるのは、GPUボード（グラフィックボード）の高速CPUを用いる事です。特に良く使用されているのはNVIDIA製GPUがあります。

3.6 継続的なモデルの改善と監視
AIモデルはトレーニング後も継続的な改善と監視が必要です。新たなデータの収集や追加学習などによりモデルを改善し、実際の運用データをベースにモデルのパフォーマンスを監視します。
先ほど、導入事例においてもご説明した通り、AI画像検査は新たに発生した不良品などに対応させる必要に対応する事が導入後に発生するでしょう。よって、導入した後も絶えず、AI学習データ：モデルの改善が必要ではないか？を監視し続ける必要があります。

４．まとめ

今回のコラムでは、コラムでは、中堅・中小製造業の企業様にご活用頂きたい社長が知っておくべきAI（ディープラーニング）画像検査のポイントについて、分かりやすく説明をさせて頂きました。今回の紹介した内容をご検討頂き、自社での自動検品の導入検討や、過去に断念された自動検品の導入を再度進めていただければ幸いです。また、上記内容について、より具体的に詳細をお知りになりたい場合や導入支援が必要といった場合は、お気軽に弊社にご相談いただければ幸いです。

中堅・中小製造業経営者向け AI外観検査の導入ポイント解説レポート

▼事例レポート無料ダウンロードお申し込みはこちら▼