お問い合わせ
Go to Top

SERVICE

正常な画像データのみを活用した外観不良検知

目的
従来の外観検査装置では良品も不良品と判断してしまい、人間の目による再検査が大量に発生している。外観不良検知アルゴリズムを構築し再検査を減らし、人手不足を解消したい。
結果
外観不良検知アルゴリズムにより、過検出の割合を抑え人の目による再検査の工数を削減。

製品の外観に不良がないかを目視検査する人的工数を減らしたい、 熟練者しか不良の判別ができずスキル継承ができていない、システムを導入しても良品を不良品と判断してしまい人間の目による再検査が大量に発生してしまうなど、外観不良検査には多くの課題があります。
また、AIで外観不良検知を行う場合には通常は不良データが必要となりますが、複数種類の不良それぞれについて画像を大量に集めるのは時間がかかります。1種類のみとしても、不良品はほとんど出ないというケースも多く、不良データを収集するのは非常に困難です。さらには、新しい種類の不良を識別するには再学習を必ず行わなければならず、通常はその都度不良データを収集する必要があります。

ALBERTの外観不良検知では、不良データがない場合にも、正常時の画像データを数百枚学習することで正常ではないと判断された画像に対して「不良」と判定する外観不良検知アルゴリズムを構築します。これにより、良品を不良品と判断してしまうことによって人の目による再検査が大量に発生する従来の外観検査装置とは異なり、外観不良検知アルゴリズムを構築し再検査を減らすことで、人手不足を解消できます。人的な判別基準を標準化・平準化することも可能です。また注目箇所を可視化することができ、画像内のどこを重視して判断したのかを確認できるため、判断のブラックボックス化を回避できます。

ALBERTの経験豊富なデータサイエンティストが、データが十分にない場合のデータ拡張(学習データを増幅させる技術。画像の平行移動・回転・上下左右反転などを行いモデルの汎用性を向上させます)や検知性能に大きな影響を与えるハイパーパラメータ設定を行い、独自にチューニングしたアルゴリズムを使用することで、数十枚しか学習データがない場合にも正答率85%以上の精度で不良を識別しております。

お問い合わせ

ALBERTは、あらゆるデータに高度な分析力で挑み、独自のソリューションでビジネス課題の最適解を導きます。
詳しくは、下記までお問い合わせください。