の概要
- 正常品+少数の不良品で AIを学習
● 不良品を学習することで高精度な検査を実現します
● 必要なサンプル数は正常品100個、不良品を種類毎に30個程度
● 学習していない未知の不良を違和感として検知できます
※すべての不良を検知することを約束するものではありません
- AIエンジニアが不要な AI検査製品
● 目視検査できる人であれば、簡単に短時間でAIを作成できます
● パラメーターチューニングではなく、精度をあげるプロセスを重視
● 運用開始後でも、現場で簡単・瞬時に精度を補正できます
- AIの個性が見てわかる、触ってわかる
● AIの出来栄えは、数字だけでは測れません
● はAIの個性を可視化します
● また、AIの感度を実際に触って確認できます
の活用シーン
- 不具合検出 ⇒ 製品の品質検査
● 様々なタイプの不具合(傷やヤケなど)を検出
● 判定方法をルール化できない不良の検出が得意
- 異物混入検査 ⇒ 食料品、農作物、衣料品などの検査
● 生産物に紛れ込んだ金属片、段ボール、髪の毛などの異物を検出
● 複雑で多様性のある環境での検査で真価を発揮
- 残留物検査 ⇒ 生産設備の正常性確認、食器の洗い残しチェックなど
● ベルトコンベアや洗浄設備などに残った製品や部材を検出
● 油や埃が多い現場でも問題なし
AI作成プロセス
パラメータチューニングに頼らず、精度をあげるプロセスでよいAIモデルを作成します
※各ボックスは各機能の説明にリンクされています。(ボックスをクリックしてください)
ワンクリックアノテーション
一般的なAI検査製品
(アノテーションが必要な製品の場合)
-
- 正確なアノテーションが求められます。
神経を使い、時間をかけて丁寧に作成
- 正確なアノテーションが求められます。
パーセプション:AIの個性を可視化
これまでのAIの多くの難しさを克服
- 正常品を表す緑の線と不良品を表す赤の線が、AIの感じ方を可視化して、AIモデル作成を強力にサポート。
個性を見比べてAIを選択
一般的なAI検査製品
- 学習終了時点のAIが一番賢いとは限りません
- 精度や損失などの数値指標だけでは、良いAIを選ぶことができません
- AIの個性を比較してどのAIを採用すべきか判断できます
- 数値指標上は同じ精度でも、AIの個性は違います
※数値指標は左右で同じですが、正常と不良の捉え方が違います
※個性を見る必要性
正常/不良をうまく分離できていないと、
適切な閾値の範囲が狭くなります
※外光などの影響で誤判定しやすい「不安定なAI」
うまく分離できていると、適切な閾値の範囲が
広くなります。
※閾値に余裕があり、外乱に堅牢な「安定なAI」
データクリーニング
- 学習データの中から、怪しいデータをAIが自動的に抽出します
- ヒストグラム上、正常/不良が混在している区間を重点的にチェックします
- 拡大画像・全体画像を確認して、不正なデータの扱いを人が判断します
- 問題があれば該当画像を削除、または、正常/不良を入れ替えます
触診
一般的なAI検査製品
- 検出漏れ/誤検出があっても、調査のしようが
ありません
- 検出漏れ・過検出した箇所をマウスで
なぞることで、AIがどのように感じて
いるかを確かめられます。 - 不良を検出するとマウスが振動。
AIの確信度を振動の大きさで把握
できます
類似データの抽出
一般的なAI検査製品
- 弱点を補強するために学習データを水増ししますが、膨大な学習データの中から
適切な画像を選択するは大変です
- マウスでポイントした領域に似ている学習データをAIが抽出できるので、
水増しするデータを選択する時間を短縮できます

ワンクリックブースト
- 判断基準の是正や学習データの水増しはワンクリック
- 正常とも不良とも言えない画像は削除
- 正常と不良が間違っている場合は入れ替え
- 特徴を掴みにくい画像は水増し