製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
3 likes5,454 views
製造業の画像検査におけるDeep Learningの現状と、弊社Deep Inspectionの特徴をまとめました
![[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例](https://cdn.slidesharecdn.com/ss_thumbnails/dll-20171024v2-171025013843-thumbnail.jpg?width=560&fit=bounds)
![[Track4-5] CDLEへの招待～CDLEハッカソンが、自分の人生のターニングポイントになった話～](https://cdn.slidesharecdn.com/ss_thumbnails/20200801dldczushi-200807062919-thumbnail.jpg?width=560&fit=bounds)
More Related Content
What's hot (18)
Similar to 製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴 (20)
More from Rist Inc. (6)
Recently uploaded (11)
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
- 5. 従来の検査手法１：目視検査 ? なんとなくの違いも、経験により検査可能 ? 導入のしやすさから、世界的に広く普及 ? 検査項目?条件が変わっても柔軟に対応可能 人による目視検査 課題：不確定要素が多く、コスト高なことも 少子高齢化による 人手不足 熟練検査員の ノウハウ継承が難しい 人や体調?環境によって 判断基準がずれる ?2017 Rist Inc. 4
- 6. 従来の検査手法2：画像検査 ? 客観的な評価基準による一定の品質保証 ? 導入出来れば人手?手間いらず ? 検査速度を含めた経済的な効率化 機械による画像検査 課題：自動化できない対象が多く、出来ても精度が低い場合がある 個体差があるものなど 数値で定義できないものは検査困難 微妙な光の加減などで エラーが起きやすい 左程度だとOK, 右ぐらいだとNGという検査は 数値化しずらく難しい 左と右は光の加減が違い 別物と判断してしまう ?2017 Rist Inc. 5
- 8. そこでDeep Learning アナログ世界に、ITの恩恵を！ 非構造化データの処理に強い：現実の課題解決に有効 画像 音声 「対象の特徴量」がデータに基づく学習により獲得される Cat (0.7) Dog (0.1) Fox (0.2) 「ネコ」 ?2017 Rist Inc. 7
- 10. 画像検査時のDeep Learningの課題 データが少量?偏りが大きいと、信頼の置ける性能が出しにくい 大バカをする時がある 多様な検査手法?項目に応じたアルゴリズム選定が必要 異常B: 25枚異常A: 30枚正常画像：10000枚 ? 正しくデータの水増し必要 ? データ収集から検討 ? 転移学習、コスト関数の検討など 99.99%の確率でクラス分類したが、明らかに人間では理解できない画像例 参考：http://www.evolvingai.org/files/DNNsEasilyFooled_cvpr15.pdf 幅を測定し、その結果で判定したい…どうする？ Deep Learningでできること ? 回帰分析？ ? 多クラス分類？ ? セグメンテーション？ 検査したいこと ? キズの有無？ ? ランク判定？ ? 幅測定？… ?2017 Rist Inc. 9
- 13. 12?2017 Rist Inc. Deep Inspectionの特徴 1. 最新の技術を、各社毎にアレンジし最適なソリューションを提供 2. ライブラリ?ソースコードなど多様な納品形体に対応し、既存ハードウェアへの組 み込みへの対応も可能 Region-Convolutional Neural Network for Detecting Capsule Surface Defects Boletín Técnico, Vol.55, Issue 3, 2017, pp.92-100 Computer-Aided Civil and Infrastructure Engineering 32 (2017) 361–378 Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks 2017年以降にPublishされた論文例 1. トライアル 2. 検査モデル作成 3. ハードウェア連携 4. 保守?管理
- 19. 18?2017 Rist Inc. 事例：自信度（Confidence）の算出（従来） 一般的に言われているDeep Learningの出力確率 400 300 200 100 0.4 0.5 0.6 0.7 0.8 0.9 1.0 一般的に出力される判定確率 （正解?不正解の閾値決めが困難） サンプル数 青線：正解 橙色：不正解 サンプル例：精度88% Cat (0.7) Dog (0.1) Fox (0.2) Softmax層の出力を一般的にはクラス確率としている このsoftmaxの出力自体では、人間に検査 を委ねる確率の閾値を決めるのは困難 ある対象への事例
- 20. 19?2017 Rist Inc. 事例：自信度（Confidence）の算出（弊社手法） Deep Inspectionでの自信度算出方法 400 300 200 100 0.4 0.5 0.6 0.7 0.8 0.9 1.0 30 25 20 15 0.2 0.4 0.6 0.8 1.0 35 10 5 0 Deep Inspectionの判定自信度 （正解?不正解の閾値を決めやすい） 一般的に出力される判定確率 （正解?不正解の閾値決めが困難） サンプル数 サンプル数 青線：正解 橙色：不正解 精度：99%以上 従来通り目視検査 精度：99%以下 自動システム検査 精度88% 全体では88%の精度 →使い物にならない 低い自信度のものは 従来通り目視検査 過去の結果と比較し、自信度を算出。 全体で精度88%のものに対し、自信度50%では全体の半数を99%精度で分類可能 高い自信度のものは 自動検査へ 自信がないものは人間に判断を委ねつつ、確実に目視検査の負荷を軽減