AI・画像解析サービス「タクミノメ」

AI・画像解析サービス「タクミノメ」は、 画像解析技術を活用したい企業様向けの PoC支援サービスです。 製品の品質検査等をシステム化する前に AIで実現可能か短期間で分析します。

AI・画像解析サービス「タクミノメ」活用シーン

製造・建築・医療・小売流通など様々な産業分野で、画像解析や画像認識技術が必要とされています。

製造

製造設備の異常検知、製造レーンの予知保全、生産工程においての物体検出、物体検知、製品の不良検査(欠陥検出、傷の検出など)

✔︎ 製品に不良がないか検査したい

✔︎ 生産工程において、特定の物体を検出し除外・ピックアップしたい

建築

建築物の外観検査、壁面劣化、配管設備の内部検査

✔︎ 建造物メンテナンスの際、緊急度が高いものから効率的に選別したい

医療

細胞の病理診断

✔︎ 医療分野において、目視検査を自動化したい

小売流通

製品画像へのタグ付け

その他

侵入検知、監視

AI・画像解析サービス「タクミノメ」提供サービス

AI・画像解析サービス「タクミノメ」は、画像解析に必要とされる主要な3つのタスク、画像分類物体検出領域検出を提供します。

画像分類Classification

「画像の主要な被写体が何であるのか」を識別。

物体検出Detection

「画像のどこに何があるのか」を矩形として検出し、識別。

領域検出Segmentation

「画像のどこに何があるのか」をピクセル単位で識別。

人の「目」による判断工程を、AI技術を活用した画像解析に代替することで、扱う情報量を増加、判断の質も向上させます。また、有スキル者の高齢化に伴う人手不足やスキル継承などの課題を解決します。

Report Image

画像分類Classification

画像分類を行なった際に提供するアウトプットイメージです。

正誤例一覧

評価用画像に学習済みモデルを当てはめ、分類の正誤例を表示します。具体的事例を確認できるので、どのような画像は識別しやすく、どのような画像は識別しにくいかが直感的に把握できます。

注視領域

識別モデルが画像中のどの部分を見て識別しているかを可視化します。この可視化技術により、従来ブラックボックスと言われていたディープラーニングの識別基準を直感的に把握できます。

混同行列

混同行列とは予測クラスと正解クラスのクロス表です。モデルの識別性能を評価するために便利であり、”○○クラス”と予測したもののうち本当にそのクラスであった割合はどのくらいか、あるいは別のクラスであった割合はどのくらいかがわかります。

ROC曲線/AUC

ROC*1とは各クラスに対する識別性能を評価するための曲線であり、その形状が左上に膨らむほど識別性能が高いことを表します。ROC下の面積はAUC*2と呼ばれており、識別性能を評価する指標です。AUCは0から1までの値をとり、値が1に近いほど識別性能が高いと言えます。

  • *1 ROC(Receiver Operating Characteristic;受信者動作特性)
  • *2 AUC(Area Under the Curve)

物体検出Detection

物体検出を行なった際に提供するアウトプットイメージです。

物体検出例表示

評価用画像に学習済みモデルを当てはめ、物体検出の結果を矩形で表示すると同時に、クラス分類の結果もラベル表示します。具体的事例を確認できるので、どのような画像は識別しやすく、どのような画像は識別しにくいかが直感的に把握できます。

精度判定

IoU*が一定値以上の領域を対象にprecisionとrecallを評価します。precisionは「 “○○クラス”と予測したもののうち実際にそのクラスであった割合」であり、recallは「実際に”○○クラス”であったもののうち、そのクラスであると予測できたものの割合」です。precisionとrecallともに0から1までの値をとり、値が1に近いほど識別性能が高いと言えます。

  • *  IoU(Intersection Over Union)

領域検出Segmentation

領域検出を行なった際に提供するアウトプットイメージです。

領域検出例表示

評価用画像に学習済みモデルを当てはめ、セグメンテーション結果を表示します。具体的事例を確認できるので、どのような画像は識別しやすく、どのような画像は識別しにくいかが直感的に把握できます。

識別性能評価

IoUとは正解領域と予測領域の重なり具合を表す指標であり、モデルの識別性能の評価に用いられます。IoUは0から1までの値をとり、値が1に近いほど識別性能が高いと言えます。

AI・画像解析サービス「タクミノメ」4つの特長

豊富なノウハウと実績で確立されたALBERTの画像解析技術により、実用性の高い、高性能なモデルを提供します。

豊富なアルゴリズム

主要なネットワーク(*1)全13種類の中から、利用企業様のデータにフィットする最適なネットワークを選定。

  • *1 ディープニューラルネットのネットワーク構造のことであり、画像分類ではAlexNet, VGG, SqueezeNet, ResNet, DarkNet等8種類、物体検出はYOLOv2、RetinaNetの2種類、セグメンテーションはGCNを3種類実装しています。

経験豊富なアナリストがサポート

データが十分にない場合のデータ拡張(*2)や、識別性能に大きな影響を与えるハイパーパラメータ(*3)の設定は経験豊富なALBERTのデータサイエンティストが実施。

  • *2 学習データを増幅させる技術であり、画像の平行移動、回転、上下左右反転などを行ないモデルの汎用性を向上させます。
  • *3 モデルの学習時に設定するバッチサイズ、学習率などのパラメータのこと。

注視領域の可視化により
ブラックボックス化を回避

AIのモデルが画像中のどの部分を見て識別しているのかを可視化(*4)。従来ブラックボックスと言われていたディープラーニングの識別基準を直感的に把握。

  • *4 現在、画像分類のみ対応可能です。

アノテーションツールを独自開発

多数の分析実績をもとにアノテーション(*5)ルールのコンサルティングを実施。セキュアで品質管理された環境で高品質なデータを提供。

  • *5 画像や映像データなどに対して、特定のルールに従ってメタデータ(教師データ)を付与する作業のこと。画像解析を行なう上で必要不可欠となる作業です。

AI・画像解析サービス「タクミノメ」サービス提供の流れ

データをご提供いただいてからわずか1ヶ月で納品豊富なノウハウを詰め込んだ画像解析技術でご支援します。

教師データ詳細
タスクの種類 画像データ メタデータ モデル構築に必要な条件
画像分類
  • ・画像ファイル
    (jpeg形式推奨)
  • ・画像ファイル名とクラス名が対応づけられたcsvファイル
  • ・1クラスにつき数百枚以上。
  • ・対象オブジェクトを目視で判断できる程度の解像度。
  • ・対象オブジェクトが画像中心部にある。
物体検出
  • ・画像ファイル
    (jpeg形式推奨)
  • ・各矩形のクラス名、左上のX座標、左上のY座標、幅、高さが記録されたcsv形式の矩形情報ファイル
  • ・画像ファイル名と矩形情報ファイル名が対応づけられたcsvファイル
  • ・1クラスにつき数百枚以上。
  • ・対象オブジェクトを目視で判断できる程度の解像度。
領域検出
  • ・画像ファイル
    (jpeg形式推奨)
  • ・各クラスに整数値を対応させたグレースケールの領域情報ファイル(png形式推奨)
  • ・画像ファイル名と領域情報ファイル名が対応づけられたcsvファイル
  • ・領域情報ファイルの整数値とクラス名が対応づけられたcsvファイル
  • ・1クラスにつき数百枚以上。
  • ・対象オブジェクトを目視で判断できる程度の解像度

※上記以外のデータ形式の場合でもご相談可能です。お気軽にお問い合わせください。

AI・画像解析サービス「タクミノメ」料金

ご利用企業様のご要望・活用シーンにあわせた最適なモデルをご提案いたします。

¥2,000,0001タスク

PoCフェーズ終了後のチューニングやシステム化もご相談可能です。お気軽にお問い合わせ下さいませ。
※画像分類、物体検出、領域検出の各タスクから選択いただきます。

PAGE
TOP