こんな悩みはありませんか？
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
有スキル者、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
「タクミノメ 異常検知」は、 AI技術を活用し製品の外観不良を検知することで、 目視検査の工数を削減。 また、人的な判別基準を標準化・平準化することが可能です。
タクミノメ 異常検知提供サービス
「タクミノメ 異常検知」は、ALBERTの経験豊富なデータサイエンティストが画像認識による異常検知モデルを構築し、精度評価の報告会を実施後、検証結果レポートを納品します。AI化の可否判断、課題整理を行うことができます。
Report Image
異常位置の可視化例
異常検知モデルが画像中のどの部分を見て検知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
混同行列とは予測と正解のクロス表です。モデルの識別性能を評価するために便利であり、正常／異常と予測したもののうち本当に正常／異常であった割合はどのくらいかがわかります。
ROC曲線
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)
正誤例一覧
評価用画像に学習済みモデルを当てはめ、異常検知の正誤例を表示します。具体的事例を確認できるので、どのような画像は検知しやすく、どのような画像は検知しにくいかが直感的に把握できます。
タクミノメ 異常検知3つの特長
豊富なノウハウと実績で確立されたALBERTの画像認識技術により、実用性の高い異常検知モデルを提供します。従来の人の「目」による判断工程を、AI技術を活用した画像認識に代替することで、扱う情報量を増加、判断の質も向上させます。
正常画像のみで異常検知が可能
異常画像のデータが少ない場合でも、正常画像のデータのみでモデルの学習を行うことが可能。
異常位置の可視化(ヒートマップ)によりブラックボックスを回避
AIのモデルが画像中のどの部分を見て検知しているのかを可視化。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検知基準を直感的に把握。
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、検知性能に大きな影響を与えるハイパーパラメータ*3設定はALBERTの経験豊富な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。
タクミノメ 異常検知サービス提供の流れ
豊富なノウハウを詰め込んだALBERTの画像認識技術でご支援します。PoCフェーズでは、データをご提供いただいてからわずか1ヶ月で納品。
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 |
|---|---|---|---|
| 異常検知 |
|
|
|
※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。