外観検査AI「Gemini eye」をv1.1.0にバージョンアップ。複雑な見た目の製品の検査精度を大幅にアップ。木目などの自然物の検査も可能に。


外観検査AI「Gemini eye」の精度を大幅に向上させ、v1.1.0にバージョンアップします。
2020年8月3日(月)より提供をします。

 

【背景】
従来の画像処理技術では、木目のような自然物や繊維の柄、シボ加工などの外観検査は困難でした。これらの製品は見た目が一様ではなく、良品・不良品を区別するために非常に多くの条件設定が必要となるからです。
Gemini eyeは、少量の良品画像を学習するだけで、検査画像それぞれのあるべき良品イメージを獲得し、不良品を判別することができます。この特性を活かし、工業製品だけではなく、自然物や繊維、食品などでも少量のデータで十分な検出精度を出せるよう研究を進めてまいりました。

 

【技術について】
一般的な教師無し学習では、自然物の外観検査を行う場合、多くの良品を不良品と判定してしまう可能性があります。学習した良品から複雑なパターンの表現が難しく、非常に低い精度になることも珍しくありません。
今回のバージョンアップでは、ディープラーニングのモデル構造を最適化することで、より複雑なパターンの学習が可能になりました。そのため、より人間の感覚に近い良品イメージを獲得できるようになっています。

 

【事例】
​学習製品:木製製品
学習データ:MVTec Software社「MVTec Anomaly Detection Dataset」Wood
データURL : https://www.mvtec.com/company/research/datasets/mvtec-ad/
学習枚数:247枚(全て良品)

図1:良品画像 247枚の様々な木目の画像を学習させています。
図1:良品画像 247枚の様々な木目の画像を学習させています。

 

図2:バージョンによる変化(切り傷が有る木製製品)
図2:バージョンによる変化(切り傷が有る木製製品)

 

図2は、木製製品に対する検証結果です。
Gemini eyeでは、獲得した良品イメージを基に良品・不良品の判定を行っています。
AIイメージをご覧ください。v1.0.0に比べ、v1.1.0の方が細かいパターンを表現できています。それによりヒートマップでは、v1.0.0で反応をしていた木目の良品部分に対して反応がなくなっています。このように、バージョンアップしたGemini eyeではより確度高く不良箇所の検出が可能となっています。

図3:(a)元の検査画像 (b)良品画像を基に出力されたAIイメージ (c)ヒートマップ(※上から擦り傷、穴、チョーク跡の異常)
図3:(a)元の検査画像 (b)良品画像を基に出力されたAIイメージ (c)ヒートマップ(※上から擦り傷、穴、チョーク跡の異常)

 

図3は、不良品をv1.1.0で検証した結果です。このように、木目調によらず多種多様な不良品を検出できています。木目などの自然物を模したプリント材はもちろん、構造上表面が一定にならない不織布や、形状や色が様々な食品など、これまで外観検査が進んでこなかった多くの製品での外観検査に適用できます。

 

【バージョンアップ対応】
既にGemini eyeのライセンスをお持ちの方は、無料でアップデート可能です。
アップデートご希望の方は当社までご連絡ください。

【今後の展望】
当社では、日々様々な製品の外観検査を研究しています。研究成果を踏まえ、今後もGemini eyeのバージョンアップを行なっていく予定です。また、Gemini eyeを用いた検証結果は、HPで随時デモ動画として公開していきます。全ての検証結果を公開していませんので、気になる製品がありましたらぜひご連絡ください。