セミナー 印刷

【Live配信(リアルタイム配信)】
画像認識技術を用いた
AI外観検査の現場導入事例と精度向上指針

~画像認識技術の基礎・原理~
~画像認識システムの実際、導入実例・運用方法~
~識別根拠の課題と品質保証への対応~

何故、狙った識別精度が得られず、導入に至らないのか
学習データ、画像データの前処理にかかる負担、良品・不良品データの不均衡を解決するには

AI外観検査の導入プロジェクトの進め方、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、導入後の運用を通じての精度向上の考え方
日時 2020年11月10日(火)  13:00~16:30
会場 Live配信セミナー(リアルタイム配信) ※会社・自宅にいながら学習可能です※  
会場地図
受講料(税込)
各種割引特典
44,000円 ( S&T会員受講料 41,800円 ) S&T会員登録について
定価:本体40,000円+税4,000円
会員:本体38,000円+税3,800円
※テレワーク応援キャンペーン(1名受講)【Live配信/WEBセミナー受講限定】
 1名申込みの場合:受講料( 定価:35,200円/S&T会員 33,440円 )
35,200円 ( S&T会員受講料 33,440円 )

  定価:本体32,000円+税3,200円
  会員:本体30,400円+税3,040円
※1名様でLive配信/WEBセミナーを受講する場合、上記特別価格になります。
※お申込みフォームで【テレワーク応援キャンペーン】を選択のうえお申込みください。
※他の割引は併用できません。
S&T会員なら、2名同時申込みで1名分無料 1名分無料適用条件
2名で44,000円 (2名ともS&T会員登録必須​/1名あたり定価半額22,000円) 
配布資料・製本テキスト(開催前日着までを目安に発送)
  ※セミナー資料はお申し込み時のご住所へ発送させていただきます。
  ※開催日の4~5日前に発送します。
   開催前日の営業日の夕方までに届かない場合はお知らせください。
  ※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。
オンライン配信【ZOOMによるLive配信】
 ・本セミナーはビデオ会議ツール「Zoom」を使ったライブ配信セミナーとなります。
 ・お申込み受理のご連絡メールに接続テスト用のURL、ミーティングID​、パスワードが記されております。
  「Zoom」のインストールができるか、接続できるか等をご確認下さい。
 ・セミナー開催日時に、視聴サイトにログインしていただき、ご視聴ください。
 ・開催日時にリアルタイムで講師へのご質問も可能です。
 ・タブレットやスマートフォンでも視聴できます。
備考※資料付(郵送)
※講義中の録音・録画・撮影はご遠慮ください。
得られる知識・画像認識技術の基礎・原理
・画像認識システムの実際、導入実例・運用方法
対象・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
・画像認識・物体解析技術の応用事例を調査している方
・現場への適用・実装までを見据えたデータサイエンス業務を進めたい方
キーワード:画像認識,AI外観検査,深層学習,機械学習,良品学習

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
【講師紹介】

セミナー趣旨

 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。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。

セミナー講演内容

1.AI画像認識システムの動向と導入基礎
 1.1 国内外のAI画像認識の最新事例
 1.2 AI画像認識システムのメリット
 1.3 AI画像認識システム導入時の留意点
 1.4 「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
  2.1.1 BakeryScanのシステム構成
  2.1.2 BakeryScanの画像処理(特徴量の抽出方法等)
  2.1.3 パン識別にかかる課題
  2.1.4 現場導入時の課題
  2.1.5 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
  2.2.1 不織布の異物検査
  2.2.2 既存の画像検査システムの課題
  2.2.3 不織布画像検査システムの構成と特徴
  2.2.4 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
  2.3.1 外観検査の課題
  2.3.2 正常・異常判別と機械学習による2クラス分類
  2.3.3 AIの限界とデータセットの不均衡
  2.3.4 ONE Class SVM(OCSVM)による良品学習
  2.3.5 OCSVMの課題とVAEによる異常検出
  2.3.6 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
  2.3.7 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のための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
  3.1.1 検査項目の網羅と評価基準の明確化 学習データの取集と用意
  3.1.2 試作開発の前段階における検証各種機械学習の検証
  3.1.3 転移学習の活用
  3.1.4 求められる人材・スキル
 3.2 機械学習を意識した画像データ(学習データ)の準備
  3.2.1 画像データの形式
  3.2.2 学習データ(データセット)の準備
  3.2.3 必要な学習データ
 3.3 学習が難しい画像
  3.3.1 撮影環境や条件のばらつき
  3.3.2 NG・OKの差異がわかりにくい
  3.3.3 キズなど一方向からでは見づらいなど
 3.4 学習しやすい画像のための前処理:そのノウハウ・実際
  3.4.1 画像のノイズ/歪みなどを取り除く
  3.4.2 明るさや色合いを調整/輝度調整
  3.4.3 オブジェクトの輪郭を強調
  3.4.4 領域抽出

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(ネットワークの可視化)
 5.4 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)

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

  □質疑応答□