セミナー
【ライブ配信＆録画での復習も可能】
中小製造業の導入事例で学ぶ！
AI外観検査のはじめ方と機械学習のための画像情報の取得と整理、品質保証への対応方法
開催主旨
ここ数年、AI（Artificial Intelligence、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、脳の働きからヒントを得た学習手法である「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。学習データ（画像データ）の前処理（データクレンジング）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。さらには、導入後の運用を通じての精度向上のための考え方にも触れます。
本セミナーは、オンライン配信ツールZoomを使い、出演者自身も自宅から出演いただく形式の「Home to Home」（H2H）セミナーとなります。ご視聴方法（参加用URL等）はご登録くださいましたメールにお知らせいたします。
概要
| 日時 | 2024年 12月 24日（火）13:00～17:00 |
|---|---|
| 受講料 | 39,600円（テキスト代、録画視聴、税込、1名分） ※振込手数料は貴社でご負担願います。開催決定後、受講料の請求書（PDF）をメールでお知らせします。 ※通常、講座実施前の入金をお願いしておりますが、講座実施後の入金にも対応しています。 ※当日の参加が難しい方は録画での参加も可能です。録画での参加を希望される方は、申込フォームの備考欄にその旨をご記載ください。録画視聴は講座終了後10日間にわたり何度でもご確認いただけます。 |
| 主催 | 日刊工業新聞社 |
| 協力 | 兵庫県立大学 森本研究室 |
| 問い合わせ先 | 日刊工業新聞社 西日本支社 総合事業本部 セミナー係 TEL : 06-6946-3382 FAX : 06-6946-3389 E-mail : seminar-osaka@media.nikkan.co.jp |
講師
プログラム
| 1．AI画像認識システムの実例 |
| 1-1 パン識別システム「BakeryScan」 ①BakeryScanのシステム構成／②BakeryScan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／⑤BakeryScanのアルゴリズムの改良 1-2 不織布画像検査システム 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 1-3 油圧部品の自動外観検査システム 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／③AIの限界とデータセットの不均衡／ ④ONE Class SVM（OCSVM）による良品学習／⑤OCSVM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／⑦VAEによる傷検出と誤検出の改善 1-4 金属チェーン外観検査システム（溶接不良） ①オートエンコーダーによる良品学習／②オートエンコーダーによる異常検知ほか 1-5 耐火煉瓦の外観検査システム ①レンガの撮像方法／②レンガ設置イチによる寸法補正／③輪郭欠け・亀裂・斑点の検出 |
| 2．AI外観検査のはじめ方と機械学習を意識した画像 |
| 2-1 AI外観検査の進め方 ①学習データの取集と用意／②各種機械学習の検証／③転移学習の活用 2-2 機械学習を意識した画像データ（学習データ）の準備 ①画像データの形式／②学習データ（データセット）の準備／③必要な学習データ 2-3 学習が難しい画像 ①撮影環境や条件のばらつき／／②NG・OKの差異がわかりにくい／③キズなど一方向からでは見づらいなど 2-4 学習しやすい画像のための前処理 ①画像のノイズ／歪みなどを取り除く／②明るさや色合いを調整／③画像の標準化・白色化／④オブジェクトの輪郭を強調／⑤領域抽出／⑥データ拡張 |
| 3．学習データの量と質の課題 |
| 3-1 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） 3-2 学習データはどの程度必要か ①必要となる画像枚数／②機械学習と深層学習のハイブリッドシステム 3-2 外観検査における学習データの質の課題（学習データの不均衡） ①アンダーサンプリング・オーバーサンプリング・畳付けの変更／②データクレンジング 3-3 学習データの拡張（Data Augmentation） ①データ拡張の注意点／②GANによるデータ拡張／③生成系AIによる疑似不良品画像の生成 3-4 ラベル付き公開データセットと転移学習による対応 |
| 4．識別根拠の課題と品質保証への対応 |
| 4-1 Deep Learningは内部分析が困難 4-2 説明可能性・解釈性（XAI）に関する技術 4-3 Deep Learningが着目しているところ（ネットワークの可視化） 4-4 品質保証への対応（AI外観検査と目視検査との連携／段階的なAI外観検査の導入） |
| 5．AI画像認識システム導入の進め方とまとめ |
| 5-1 要求定義の取りまとめ 5-2 AI機能の選定 ①画像認識による自動外観検査／②画像認識によるモノの管理（受入・ピッキング）／③稼働管理（予知保全）／④遠隔作業支援・手作業改善支援／⑤画像・音声認識によるデータ自動入力／⑥技術継承 5-3 社内教育とプロジェクトの立ち上げ 5-4 学習データの準備 5-5 概念検証（PoC）の進め方 5-6 ラインでの実運用のために（段階を踏んだ実運用） 5-7 運用による識別精度維持・向上（MLOps） |
| 【ライブ配信セミナーに伴う注意事項について】⇒ 【詳細はこちら】 ※必ずお読みください（お申込みを頂いた時点でご同意頂いたとみなします） |
