外観検査AIとは

外観検査AIとは品質保証のために製品の外観の自動検査をAIで行うことを言います。外観の自動検査とは、搬送機器と連動して自動で撮像された画像を画像認識で欠陥の検査することです。

画像認識の歴史を簡単にご紹介します。
動物、人間、機械など画像に写った一般的な物体の認識精度を競う世界的な競技会のILSVRCにて、２０１２年、ディープラーニングを使った画像認識AIが従来の画像認識手法に対して飛躍的に認識精度を上げる結果をあげました。このディープラーニングはニューラルネットワークという人間の脳を模した構造を利用しており、このディープラーニングを使ったものをAIと呼んでいます。
従来のように画像処理では人間が構築していた複雑な処理のフィルタを、ディープラーニングでは、画像の学習から自動で獲得するという性質を持っています。
例えば、多種多様な猫や犬などを認識する画像処理フィルタを人で作ろうとするとかなり困難であること想像に難くないですが、ディープラーニングを使った画像認識ではこれが可能になります。
そのため、自動運転技術や顔認証技術など、急速に様々な技術革新に適用されてきました。

AIを用いた検査は、従来の画像処理の専門性を必要とせず、画像処理専門家よりも高精度な検出ができるケースが出てきたため、外観検査の領域でも普及を加速させています。

たとえば、切削加工の金属製品のキズ検査の場合、人間による目視検査であれば加工痕かキズかは判断できますが、従来の画像処理による外観検査では、その区別が難しいケースが多くありました。そういったケースでも、AIを活用した外観検査の場合、学習を重ねるほどに精度が向上し、より高精度な検査が可能になるため、活用が進んでいます。

 

外観検査AIには以下の種類があります。

教師あり学習(Supervised Learning)

教師あり学習とは、学習データに人間が正解ラベルをつけて学習させる方法です。画像上で作業員が欠陥か否かのラベルをつけて教えることで、その後は自動で不良を検出してくれます。
つまり、検査には不良品のデータが必要ということを意味します。

教師なし学習(Unsupervised Learning)

教師なし学習では、不良品のデータを使わず良品データのみで学習させます。覚えた良品からの乖離を見ることで、不良品か否かの判断をAIが行います。
不良品を教える必要がない、という意味で教師なし学習、または良品学習と呼ばれます。

 

教師なし学習の特長

外観検査AIが登場した当初は教師あり学習の手法が主流でしたが、欠陥を学習させるには、数千、数万の欠陥画像を要し、そもそも不良率が低い現場において欠陥画像の収集が困難であり、さらにこれを検査対象ごとに実施するのが困難でした。

また、学習していない欠陥は検出できないので、新しい不良モードが出現したら検出ができません。
一方で、良品は大量に集めることができるので、この手法が近年注目されています。

 

教師なし学習の手法例

教師なし学習には一般に以下のような手法例があります。

GAN

GANは敵対的生成ネットワーク、あるいは競争式生成ネットワークと呼ばれています。これは機械学習におけるAIのアルゴリズムの一種であり、教師データなしで学習することができるアルゴリズムとして注目されています。

GAN（Generative Adversarial Network）は、教師なし学習によって生成モデルを学習するニューラルネットワークの一種でり、教師データなしで学習することができるアルゴリズムとして注目されています。GANは、生成器と識別器の2つのニューラルネットワークから成り立っており、生成器はデータの偽物を生成し、識別器は本物か偽物かを判定することで、お互いに競い合って学習を進めます。

このGANを用いた教師なし学習の画像検査において、異常検知を行う場合は、まず正常な画像を学習させます。正常な画像を学習することで、生成器は正常な画像を生成するように学習し、識別器は正常な画像を正しく識別するように学習します。

その後、実際の画像を生成器に入力し、生成された画像を識別器で判定することで、異常な画像を検知します。異常な画像は、正常な画像と異なる点が多いため、識別器は異常な画像を偽物として判定する傾向があります。

異常な画像を検知した場合は、その画像を外観検査AIによって解析し、異常箇所を特定することができます。これにより、従来のルールベースの検査では検出できなかった異常箇所を検出することができます。

 

AE

オートエンコーダーは、入力層と出力層が同じで中間層を持つニューラルネットワークの一種で、教師なし学習によって画像やデータの特徴を抽出することができます。オートエンコーダーを用いた教師なし学習の画像検査において、異常検知を行う場合は、まず正常な画像を学習させます。

学習させる際に、オートエンコーダーは入力画像を中間層に圧縮し（エンコード）、その後再構成（デコード）して出力画像を生成します。正常な画像を学習させることで、オートエンコーダーは正常な画像の特徴を抽出するように学習し、異常な画像は正常な画像とは異なる特徴を持つため、再構成誤差が大きくなる傾向があります。

そのため、実際の画像をオートエンコーダーに入力し、再構成誤差が大きい場合は異常と判断します。再構成誤差が大きい場合は、正常な画像とは異なる部分が含まれている可能性が高いため、外観検査AIによって異常箇所を特定することができます。

オートエンコーダーを用いた教師なし学習の画像検査では、正常な画像のみを用意することで異常検知を行うことができます。また、異常検知に特化したデータセットを用意する必要がなく、少ないデータでも学習が可能です。

独自教師なしアルゴリズムGemini eye の手法

ここ数年、こういった課題に対する対応策として、良品だけを学習したAIがイメージする良品との差分を算出し異常検知をする「教師なし学習」が注目されています。この手法は、欠陥を覚えさせるものではないので、学習のための不良品画像収集が不要であり、未知の不良を検出することができるという利点があります。この特性が先述の課題への解の一つとして提唱されてきましたが、実務においては、一般的な教師なし学習手法で高い精度を目指すには数万枚の学習が必要であり、結局手間がかかるという声が散見されます。

このような課題に対して、弊社は独自の特許技術を搭載したAI外観検査ソフトウェアGemini eyeを提供しています。

本製品では、先述の一般的な教師なし学習の課題に対して、2つの技術的特性を持たせています。

一つ目は、検査対象の記憶方法です。先述の通り、通常の手法であれば木目などの自然物に対しては、良品画像としてはそのパターンが無数に存在するため、適切にAIのイメージを記憶することができません。一方でGemini eyeでは、対象のパーツ・構造（ここで言う木目そのもの）を記憶します。そのため、木目調が変わっても、AIが適切に良品としてのイメージを作ることができ、本来の異常にのみ適切に異常として反応するという高い柔軟性を持たせることが可能になります。



二つ目は、対象のばらつきの記憶方法です。検査対象によっては、撮像条件がばらつくことや、ある部位が加工条件によってやむを得ないばらつきが生じることがあります。Gemini eyeでは、これを潜在変数として記憶するだけでなく、ばらつきも記憶することで、本来存在するばらつきに対して異常として反応することを防ぐ特性、具体的には、ばらつきが大きい領域であるほどの異常度を下げる特性を持たせています。
これらの特徴により、限られた良品画像の学習で一般的な手法を用いたものより高い精度を出し、実案件でも、食品や樹脂等のばらつきの大きい製品にも適用してきました。