<ol id="e3jor"></ol>


  • <em id="e3jor"><acronym id="e3jor"><u id="e3jor"></u></acronym></em><nav id="e3jor"></nav>
  • <tbody id="e3jor"></tbody>

    <dd id="e3jor"><pre id="e3jor"></pre></dd>
  • <form id="e3jor"></form>
    <rp id="e3jor"><strike id="e3jor"></strike></rp>
    <dd id="e3jor"><noscript id="e3jor"></noscript></dd>
    Skip to main content Skip to first level navigation

    RICOH imagine. change.

    日本 - リコーグループ企業?IRサイト Change
    Skip to main content First level navigation Menu
    Breadcrumbs

    Share

    Main content

    外観検査向け畫像認識?解析技術

    近年、機械自體が學習機能を有する人工知能(AI: artificial intelligence)の研究開発が盛んとなってきています。

    リコーは、機械學習(machine learning)を応用し、少ないサンプル畫像でも高い精度で対象物の異常を検出する技術を開発しました。産業分野への応用が期待されます。

    當技術を用いたプログラムは、製品の欠陥の検出精度を競う「外観検査アルゴリズムコンテスト」にて、2014年度、2015年度の2年連続で優秀賞を受賞しました。

    製造分野の外観検査自動化ニーズ

    工場では、製造した部品や製品が良品か欠陥品かを、畫像を用いた外観検査により自動で調べたいというニーズがあります。

    一般的に、製造される物は欠陥品と比べて良品が多いため、欠陥とされるサンプルを大量に準備するのは困難です。また、欠陥の種類が多數ある場合には、すべての欠陥の種類をカバーした多様なサンプルを準備することが、さらに難しくなります。

    良品データのみを學習し、未知の欠陥を検出する

    リコーでは、機械學習の方法として「半教師ありの異常検知」を用いるとともに、サンプル數が少なくても學習が行えるよう、機械學習で用いる特徴量に工夫を行いました。この「半教師ありの異常検知」を利用したアルゴリズムでは良品データのみを學習するため、未知の欠陥種類に関しても識別性能を確保できると考えられます。

    畫像:検出結果の例
    図1 検出結果の例
    (畫像提供元:外観検査アルゴリズムコンテスト2014

    畫像:検出結果の例
    図2 検出結果の例2
    (畫像提供元:外観検査アルゴリズムコンテスト2015

    図1、図2は、このアルゴリズムを使用した場合の検出結果の例です。赤枠が人間が設定した正解の欠陥検出領域、緑枠が本アルゴリズムで検出した欠陥検出領域となっています。本アルゴリズムにより、正解の欠陥検出領域に近い検出ができていることが分かります。

    機械學習「半教師あり異常検知」の特徴

    畫像認識?解析で用いる手法のひとつに、「機械學習」(machine learning)があります。機械學習では、ある入力に対して、コンピュータが學習を行い、有用な出力を予測します。事前のステップとして、入力畫像とそれに対応する正解出力(正解のラベル)を學習データとしてシステムに入力して學習をさせます。學習ステップの後、判定ステップにおいて、システムにある畫像を入力すると、システムは學習した內容に基づいて正解を予測して出力します。

    一般的な「教師あり機械學習」では、學習データとしてすべてのラベルのデータ(入力畫像とそれに対応する正解出力)を用いて學習を行います。例えば、部品が良品か欠陥品かの判定方法を學習する際には、良品と欠陥品、両方を含んだデータセット(部品のサンプル畫像と、その部品が良品か欠陥品かのラベル)を用いて學習します。

    それに対して、機械學習のひとつの方法である「半教師あり異常検知」では、學習データとして例えば良品のみといった、ひとつのラベルのデータのみを用いて學習を行います。この手法では、ひとつのラベルのデータを準備すればよいため、限られたサンプルで學習が可能です。

    機械學習の學習ステップでは、複數の入力畫像(正解畫像)に対して特徴量を算出し、正解特徴量として學習します。そして、判定ステップにおいても、同様に入力畫像から特徴量を算出します。判定ステップでは、算出した特徴量と學習ステップで學習した正解特徴量を用いて、正解を予測して出力します。

    畫像を特徴量に変換した場合、その特徴量(多次元なので特徴ベクトル)に基づく空間を「特徴空間」(feature space)と呼びます。認識処理では、この特徴空間上で、機械學習により識別を行います。図3に示されるように、學習ステップでは、多次元の特徴空間において識別面を形成し、判定ステップでは、入力畫像の特徴量がどのラベルに分類されるかを識別することになります。

    畫像:特徴空間での學習手法の差
    図3 特徴空間での學習手法の差

    リコーは、この「半教師あり異常検知」を、畫像中の対象物體の形狀を適切に記述する特徴量と組み合わせたアルゴリズムを開発しました。このアルゴリズムを製造分野における畫像を用いた外観検査に適用したところ、高精度な認識を行うことができました。

    光學技術と畫像認識?解析技術の融合を目指す

    リコーは、産業分野において、光學モジュール製品だけでなく、このような畫像認識?解析技術も含めたシステムソリューションを開発、提供していきます。

    老熟妇乱子伦在线观看_亚洲日韩va在线视频_免费中文字幕午夜理论午夜片_99re8热视频这在线视频