良品学習とはAI外観検査プラットフォーム・Visual Insight Station
「正常」を学び、「異常」を見抜く
不良品データ収集の課題を解決するAI検査
製造現場におけるAI外観検査では、不良品データの収集やアノテーション作業の負荷が導入の大きな障壁となってきました。Visual Insight Stationの良品AI学習は、正常な製品画像のみを学習し、その特長から逸脱する異常を検出することで、こうした課題を解決。少ないデータでも効率的に高精度な検査を実現し、導入リードタイムの短縮と検査業務の高度化を支援します。
Visual Insight Stationが提供する良品学習は、大規模な画像データによる事前学習と最適化により、従来の良品学習の課題とされていた検出性能の改善、及び、学習時間の短縮を実現しています。
良品学習とは？
良品学習とは、正常な製品（良品）の画像のみをAIに学習させ、その特長から外れた状態を「異常」として検出する手法です。従来のように不良品データを収集・学習する必要がないため、データ準備やアノテーションの負荷を大幅に削減できます。Visual Insight Stationでは、この良品学習により、微細な欠陥や外観のわずかな変化も検出可能とし、検査対象ごとに最適化されたモデルを効率的に構築。少ない学習データでも高い検出性能を実現し、外観検査の自動化と品質の安定化を支援します。
- 良品の画像のみAI学習に使用するため、大量の不良品画像の収集が不要
- 良品の特徴をAIが学習し、良品にない特徴を異常とみなすため、未知の欠陥や異物も検知
- 良品のAI学習にかかる時間が短いため、検査準備にかかる負荷を軽減
良品学習と不良品学習の違い
良品学習と不良品学習の違いは、「AIに何を学ばせるか」と「導入時の負荷」にあります。
良品学習
「正常」を基準に異常を見つける（導入しやすい）
- 学習対象
- 正常な製品（良品）のみ
- 仕組み
- 良品の特徴を学び、そこから外れたものを「異常」と判断
- 特長
- 不良品データの収集やアノテーションが不要なため、短期間で導入可能
- 用途
- 未知の不良や微細な差異の検出に強い
-
※
良品のみで学習したAIが、既知の不良に反応することを確認する目的で、既知の不良の画像が一定数必要となります。
不良学習
「異常そのもの」を学習して検出する（高精度だが準備が重い）
- 学習対象
- 不良品（欠陥箇所）を含むデータ
- 仕組み
- 不良のパターンを学習し、同様の欠陥を検出
- 特長
- 精度は高くなりやすいが、不良品の収集・ラベル付け（アノテーション）が必要
- 用途
- 不良データ準備に時間とコストがかかる
Visual Insight Stationでは、この両アプローチを活用しながら、現場特性に応じた最適な検査を構築できる点が特長です。
良品学習の適用例
金属部品の外観検査
- 対象物
- 金属部品
- 検査内容
- 表面のキズ、スレ、打痕
- 学習データ
- 個体差のある良品を100個収集（良品のバリエーションを学習させるため）
- 撮影方法
- 対象物を黒いゴム板に載せて撮影（対象物の特徴のみを学習させるため）
- 学習方法
- 良品100個を撮影した画像のみ学習
- 評価方法
- 人工的に表面にキズ、スレ、打痕を付加した不良品のバリエーションを用意し、検知性能を定量的に評価
食品の異物混入検査
- 対象物
- 食品
- 検査内容
- ビニール、プラスチック片の混入
- 学習データ
- 異物のない食品の中身を入れた小皿100個用意（良品のバリエーションを学習させるため）
- 撮影方法
- 対象物を黒いゴム板に乗せて撮影（対象物の特徴のみを学習させるため）
- 学習方法
- 異物のない小皿100個を撮影した画像のみ学習
- 評価方法
- 人工的にビニール、プラスチック片を入れた不良品のバリエーションを用意し、検知性能を定量的に評価
良品学習の展示デモ
2024年にイベント会場で展示したデモ動画を御紹介します。
良品学習の評価版
良品学習機能を搭載したAI学習アプリケーションを１ヵ月間お試しいただけます。
お客さまの検査対象物の良品画像を御用意いただくことで、性能を評価することが可能です。