nakame-consulting 
九州工業大学の研究チームが開発した画像欠損補完技術を活用したAIが、外観検査の分野で注目を集めています。この技術は、意図的に欠損を与えた画像から元の画像に復元する能力を持ち、製造業での外観検査における不良検出を大幅に改善することが可能です。この記事では、この技術の詳細と、従来の良品学習と何が違うのかについてご紹介します。
Iizuka et al., SIGGRAPH 2017
画像欠損補完技術とは？
画像欠損補完技術とは、入力された欠損が付与された画像から、元の完全な画像に復元するAI技術です。従来の外観検査は、あらかじめ学習された良品データを元に、不良を検出することが主流でしたが、画像欠損補完技術はさらに一歩進んだ技術です。
良品学習との違い
従来の「良品学習」は、良品データのみを使用してAIに学習させ、異常を検出するという手法が取られています。良品のデータを多く集め、そのデータに基づいて不良品を特定しますが、現実には異常のパターンが多岐にわたるため、精度を高めるには多くのデータが必要でした。また、学習データの不足や新たな不良パターンが登場した場合、対応が難しくなることが課題でした。
一方で、今回の画像欠損補完技術は、不良品の画像を直接入力し、「良品風」に変換することで、その差異を検出します。不良品そのものを再現するのではなく、不良箇所がない良品の状態に復元し、復元された画像と元の画像の差異を比較することで、異常箇所を検出します。これにより、従来の良品学習に比べ、より高精度で多様な異常検出が可能になります。
この技術の利点
- 高精度な不良検出
復元された良品画像と不良品の差異を直感的に捉えられるため、微細な欠損や異常箇所も見逃しません。 - 少ないデータで高性能
従来の良品学習とは異なり、大量の良品データを収集・学習させる必要がありません。少ないデータでも高い精度を実現できる点が大きな利点です。 - 柔軟な対応
新しい不良パターンが発生しても、画像欠損補完技術を使えば、学習し直すことなく直感的な操作で対応可能です。これにより、学習にかかる時間やコストを削減できます。
実際の応用事例
この技術は、大手自動車部品メーカーや製薬会社、大手研磨材メーカーなどで実証実験が進められています。これらの企業では、高精度な外観検査を必要としており、この技術によって従来の検査に比べて高い精度と効率性が実現されています。
このように、画像欠損補完技術は、従来の良品学習技術とは異なり、欠損箇所を補完して不良を検出する新しいアプローチです。これにより、製造現場の外観検査がより高精度で効率的になることが期待されています。