製造業の画像検査へDeep Learningを活用した、株式会社Ristの「Deep Inspection」の特徴

1. ©2017 Rist Inc.
Deep Inspectionの特徴
0

2. 1©2017 Rist Inc.
Deep Inspectionの特徴
1. 最新の技術を、各社毎にアレンジし最適なソリューションを提供
2. ライブラリ・ソースコードなど多様な納品形体に対応し、既存ハードウェアへの組
み込みへの対応も可能
Region-Convolutional Neural Network for
Detecting Capsule Surface Defects
Boletín Técnico, Vol.55, Issue 3, 2017, pp.92-100 Computer-Aided Civil and Infrastructure Engineering 32 (2017) 361–378
Deep Learning-Based Crack Damage Detection
Using Convolutional Neural Networks
2017年以降にPublishされた論文例
1. トライアル 2. 検査モデル作成 3. ハードウェア連携 4. 保守・管理

3. 2©2017 Rist Inc.
事例：位置を踏まえた検査１
ここが異常部分 キズ部分を
赤く表示
577枚（異常画像77枚）への適応結果
全画像に対して正解
適応例

4. 3©2017 Rist Inc.
事例：位置を踏まえた検査２
ここが異常部分 キズ部分を
赤く表示
575枚（異常画像85枚）への適応結果
AUC = 94%を達成
適応例

5. 4©2017 Rist Inc.
事例：幅測定などへの適応（従来）
実際の検査現場では、単なるキズや異常検知以外にも様々な検査項目がある。
例えば以下のような板の幅を測定し、それに応じて検査する場合…
こんな感じで縦線を認識して
板の領域を囲いたいけど…
似た縦線がたくさんあり
既存の画像処理では対象の特定困難

6. 5©2017 Rist Inc.
画像中の物体を、過去データを参考に領域抽出する技術を転用
http://mi.eng.cam.ac.uk/projects/segnet/
個体差のある板の画像に対しても… 正しく板の領域を抜き取れる！
※画像はイメージです
事例：幅測定などへの適応（弊社手法）

7. 6©2017 Rist Inc.
そうは言っても
人間でも判断が分かれる検査対象もある…
自信がなかったら
素直に人間に聞いてほしい
あるクライアントさんの声

8. 7©2017 Rist Inc.
事例：自信度（Confidence）の算出（従来）
一般的に言われているDeep Learningの出力確率
400
300
200
100
0.4 0.5 0.6 0.7 0.8 0.9 1.0
一般的に出力される判定確率
（正解・不正解の閾値決めが困難）
サンプル数
青線：正解 橙色：不正解
サンプル例：精度88%
Cat (0.7)
Dog (0.1)
Fox (0.2)
Softmax層の出力を一般的にはクラス確率としている
このsoftmaxの出力自体では、人間に検査
を委ねる確率の閾値を決めるのは困難
ある対象への事例

9. 8©2017 Rist Inc.
事例：自信度（Confidence）の算出（弊社手法）
Deep Inspectionでの自信度算出方法
400
300
200
100
0.4 0.5 0.6 0.7 0.8 0.9 1.0
30
25
20
15
0.2 0.4 0.6 0.8 1.0
35
10
5
0
Deep Inspectionの判定自信度
（正解・不正解の閾値を決めやすい）
一般的に出力される判定確率
（正解・不正解の閾値決めが困難）
サンプル数
サンプル数
青線：正解 橙色：不正解
精度：99%以上
従来通り目視検査
精度：99%以下
自動システム検査
精度88%
全体では88%の精度
→使い物にならない
低い自信度のものは
従来通り目視検査
過去の結果と比較し、自信度を算出。
全体で精度88%のものに対し、自信度50%では全体の半数を99%精度で分類可能
高い自信度のものは
自動検査へ
自信がないものは人間に判断を委ねつつ、確実に目視検査の負荷を軽減

10. 9©2017 Rist Inc.
パッケージソフトで諦める前に
ぜひDeep Inspectionへお問い合わせください。
http://www.deep-inspection.com
弊社は国内外の製造業のクライアントと共同で開発を行っています。