欠陥検出のためのAI目視検査とは？

自動化された目視検査を利用することで、あなたのビジネスにどのような大きな利益がもたらされるかをご確認ください。

人工知能は企業にとって重要な差別化要因であり、ほとんどすべての領域で数多くの応用例がある。自動運転車からSiriやAlexaに至るまで、AIは私たちの生活様式を変革する次世代サービスの重要な実現手段となっている。

AIは、過去のデータに基づいて賢明な判断を下すことを可能にし、顧客がどの商品を最も好むかを判断したり、緊急事態に発展する前に潜在的な医療問題を特定したりすることができる。こうした幅広いAIアプリケーションの中でも、自動外観検査は世界中で高く評価されている。

自動化された目視検査技術は、ビジネスの時間、労力、コストを削減するのに役立つ。自動視覚評価とディープラーニング・アプローチが、いかに時間と労力を大幅に節約できるかをご覧ください。

AIによる目視検査とは？

目視検査は、生産工程で最もよく使われる手法のひとつである。これは、組立ラインの構成部品を目視で検査し、問題を検出して修理するものである。

しかし、AIを使った外観検査というと、ディープラーニングやコンピュータービジョンに基づく何らかの光学検査技術を指すことが多い。目視検査とは、製品があらかじめ決められた仕様に適合していることを確認するために、製造やサービス業務を監視・検査するプロセスのことである。

コンピュータは、画像や物体を捉え、記録し、保存するために使用される。したがって、時間を節約し、効率も向上する。例えば、検査員が組立ラインを検査する場合、検査プロセスを終えるのに2、3時間かかるかもしれないが、AIを搭載したソフトウェアなら数分で組立ラインをスキャンすることができる。

目視検査におけるディープラーニングとは？

ディープラーニング（深層学習）技術は、さまざまな産業で利用されるようになってきている。その主な利点は、機械が明示的にプログラムするのではなく、例によって学習することを可能にすることだ。これにより、目視検査のような自動化が困難な作業で威力を発揮する。

ディープラーニングの基本原理は、ニューラルネットワークにラベル付けされた例を与えることで、特定のパターンを認識するよう機械に教えることである。いったんデバイスがそれらのパターンを学習すれば、それを新しいデータに適用して欠陥を特定することができる。

ディープラーニング・アルゴリズムを自動目視検査技術と統合することで、コンピュータ化されたシステムを稼働させながら、人間の目視検査をシミュレートし、部品、異常、文字の識別を可能にする。

自動目視検査の応用

自動目視検査は、製造業において品質や欠陥の評価に広く使用されている。これは、組織が特定のコンプライアンス要件を満たすときに発生する可能性があるような、潜在的な悪影響を防止するのに役立つ。しかし、「ターゲット」を示す特徴が存在するかどうかを判断するために、非生産環境で使用することもできる。

手作業による検査では、高価な機器の損失、けがの可能性、手戻りの可能性、顧客の損失など、潜在的なエラーが発生する可能性があるため、自動化された目視評価が優先度の高い活動として求められる産業領域は多い。

自動目視検査が優先される事業領域には、空港スクリーニング、食品産業、製薬、核兵器製造などがある。

マニュアルテストの限界

多くの企業が唯一の品質管理手段としてマニュアルテストに頼っているが、このアプローチには限界がある。その限界のいくつかを探ってみよう。

1. 場合によっては危険

欠陥検出の実体がいつでも安全に検査できるわけではない。手荷物検査や航空機整備のような要素を査定する場合、通常の状態でそのような実体を検査するには複数のリスクが伴う。

2. 時間がかかる

損害保険ビジネスでは、建物や自動車の損害調査や査定に時間がかかるのが普通だ。そのため、検査やクレーム処理にはかなりの時間がかかる。これらの活動やシナリオのほとんどは繰り返し行われるため、マニュアルテストにはかなりの時間がかかる。

このような場合、コンピューター・ビジョンはプロセスを大幅にスピードアップし、ミスを最小限に抑え、不正を防ぐことができる。さらに、衛星画像、ドローン、ビッグデータを使って、こうしたコンピューター支援検査を行うこともできる。

典型的な機械学習アプリケーションは、引受時に表情や声のトーンなどの行動データを分析する。例えば、医療保険の場合、行動モニタリングがリスク情報の40％以上を提供すると予測されている。

しかし、損害保険においても行動データは不可欠である。例えば、ある人がどのように機械を動かすかという特定の傾向を把握することは、保険金請求につながるプロセスの問題を示唆するかもしれない。

3. 効果がない

手作業による検査は、エラーを検出できなかったり、存在しない欠陥を特定してしまったりと、2つのミスを犯しやすい。このような視覚的な検出が効果的でない場合、見積もりも効果的でなくなり、従業員の労力も無駄になる。

4. 人間の視覚は当てにならない。

目の錯覚は、人間の目がいかに信用できないかを示す一例である。さらに、寸法の小さな同じような2つの物体を比較する場合、人間の目は寸法のわずかな違いを認識できない可能性がある。手による検査が役に立たないというのではなく、それだけに頼るのは得策ではないということだ。

5. 検査官の主観

マニュアルテストの手順は、各個人のテスト方法や戦術が異なるため、一貫性がない。同じテストでも結果が異なるため、テスト方法のばらつきは避けられない。

6. 非現実的な性能テスト

クライアント・サーバ・アプリケーションの性能テストには、人間とコンピュータの使用が必要である。クライアント・プログラムは複数のPCにインストールされ、ソフトウェアの全体的な性能を判断するために一人の人間が検査を行わなければなりませんが、これは時間のかかる困難な作業である。

7. 人件費

大規模な品質検査は個人では対応できないため、企業は熟練したトレーナーを複数雇う傾向にある。グラスドアによると、マニュアル検査担当者の年収は50,000ドルから60,000ドルである。

自動目視検査の利点

以下は、品質検査に自動目視検査を選ぶべき一般的な理由です。

1. より良い感知

マシンビジョンは、目視検査の自動化に使用される技術や装置によって、高い光学分解能を持つ。人間の視覚に比べ、機械は紫外線、赤外線、X線領域を扱える広い範囲を観察できる。

2. より速い

観察と結論は、FLOPs（1秒あたりの浮動小数点演算数）で測定されるコンピュータの処理能力で、ほぼ瞬時に行われる。また、正確な計算ができる。

例えば、保険のアンダーライターは、あるソフトウェア・システムから別のソフトウェア・システムへデータを移動する手作業にかなりの時間を費やしており、データから推論したり、販売したり、ブローカーとやり取りしたりといった、より価値の高いタスクに割く時間はほとんど残されていない。このような場合、AIを活用した光学式文字認識によって、時間と手作業を大幅に削減することができる。

3. 信頼できる

機械は公平であり、望ましいタスクを実行するようにプログラム可能である。機械は、与えられた指示に従うだけで、何の疑問も抱くことなく、完全に信頼できる。

4. 正確

人間の視力に限界がある手動検査とは異なり、自動外観検査システムは絶対寸法を高い精度で測定できる。

5. 環境に依存しない

人間が関与することが危険な環境であっても、自動化されたシステムを導入することは容易である。

AI目視検査システムの導入方法

以下は、目視自動検査システムを導入する際の5つの手順である：

1. 問題を提示する

検査の目的は、可能性のある欠陥をすべて見つけることではなく、システムが検出すべき欠陥の種類を決定することであることを理解することが不可欠である。欠陥とは、品質、安全性、信頼性に影響するものであり、顧客がそれを特定し、気にかけることができるようにするものである。製造業に自動検査を導入する際に、実際の問題点を特定するために必要な手順を以下に示す：

・システム環境を特定する。

・検出をリアルタイムにするか、遅延させるかを定める。

・欠陥が検出された際のシステム通知を特定する。

・新しいシステムをゼロから開発する必要があるのか、既存のシステムが欠陥検出機能を備えているのかを確認する。

2. データの収集と準備

データサイエンス分野のエンジニアとして、ディープラーニングを開始する前に必要なデータセットを準備し、収集する必要があります。製造業の場合、IoT分析を通じて製品供給網をデジタル化することが重要だ。例えば、ビデオの記録について言えば、データの準備には、ビデオからフレームを抽出し、これらのフレーム上の関連オブジェクトにバウンディングボックスを作成することが含まれます。

データセットを収集する方法はたくさんあるが、以下に標準的な方法をいくつか挙げる：

1 顧客から提供されたビデオ記録の活用

2 決められた目的のために、オープンソースのビデオ録画に参加する

3 ディープラーニング・モデルの要件に従ってゼロからデータを収集する

データを入手した後、それが整然としていて、モデル化する準備が整っていることを確認する。これに明確に関連する異常があれば、先に進む前にチェックする。

3. ディープラーニングモデルの開発

この段階では、システムの複雑さ、予算の制限、時間の制約に応じて、最適な深層学習モデルを特定する。以下に、一般的なアプローチをいくつか紹介する：

・Google Cloud ML EngineやAmazon MLなどのモデル開発サービス

このアプローチは特徴工学に基づいている。画像内のオブジェクトを検出するために、その分野の専門家が特別に導き出したヒューリスティック・ルールのセットが提供されます。このタイプのモデルは、欠陥検出機能の要件がサービスによって提供されるテンプレートと一致している場合に有益です。ゼロからモデルを開発する必要がないため、時間と予算を節約できます。

・事前に訓練されたモデルを使用する

事前に訓練されたモデルとは、以前に構築されたディープラーニングモデルで、完了させたいタスクと同様のタスクを実行します。事前に訓練されたモデルは、必ずしもすべてのタスクで成功するとは限らないが、時間とコストを大幅に節約できる。大規模なデータセットを解決するために以前に訓練されたモデルを使用することで、ニーズに合わせてモデルをカスタマイズすることができます。

・ゼロからのディープラーニングモデル開発

カスタムのディープラーニングモデルをゼロから開発する場合、データサイエンティストは、例えば画像セグメンテーション、物体検出など、多くのコンピュータービジョンアルゴリズムの使用を検討する必要がある。この方法は、複雑で安全な検査システムに最適である。このアプローチは時間と労力がかかるかもしれないが、結果はそれに見合うものだ。

例えば、金属表面の傷を検出する自動車部品の自動目視検査システムを考えてみよう。システムを訓練すると、あらゆる種類のへこみや傷を正確に検出できるようになる。このような場合、全く別のモデルを開発する必要はなく、代わりに欠陥のある受け入れ不可能な部品を描写した画像を収集することができる。

4. トレーニングと評価

システムの目視検査モデルを開発したら、次はそれをトレーニングする番だ。ここでデータサイエンティストは、システムのパフォーマンスと結果の精度をテストし、評価する必要がある。テストデータセットは、自動目視検査システムをサポートできるものであれば何でもよく、処理中のビデオ記録のセットでもよい。

5. 配備と改善

モデルを評価したら、次はそれを毎日展開し、検査する番だ。モデルを直接大規模に適用する代わりに、いくつかの製品でテストし、その精度を確認することができる。求める要件を満たしていれば、システム全体と統合しても問題ない。また、市場で入手可能な新しいデータセットやトレンドを使用して、モデルを迅速に調整することを勧める。

自動目視検査に必要な設備

自動目視検査は、そのタスクを実行するために多くの物的設備を必要としない。しかし、自動目視検査を開始するために必要ないくつかの要件は、以下のようにハードウェアとソフトウェアに分かれている：

ハードウェア

自動目視検査システムの導入に必要な機器は、業界や自動化によって異なる。その一部を紹介する：

a] カメラリアルタイムのビデオストリーミングは、不可欠なカメラの選択です。IPとCCTVがその例である。

b] CPU/GPU：リアルタイムの結果が必要な場合は、CPUよりもGPUの方が良いだろう。なぜなら、GPUは画像ベースのディープラーニングモデルの処理速度が速いからだ。

c] ドローン：建物内部、ガスパイプライン、タンカーの目視検査、ロケット／シャトルの検査は、ドローンの利点を享受できる可能性のある、到達困難な領域の自動評価の例である。

さらに、業界の用途やシステムに応じて、物的設備は以下の3つのカテゴリーに分けられる：

・供給システム：これは、光学系が個々のアイテムのフレームを均等に広げて収集し、安定的に移動させることを可能にする。

・光学システム：センサーと特別に調整された照明光源で構成される。光学システムは検査品の画像を取り込み、それをソフトウェアで処理・分析する。

・分離システム：不良品や等級を取り除き、異なる品質グループに分ける。

ソフトウェア

ソフトウェア層は、製品または対象物を検査し、欠陥の存在を特定するのに役立つため、自動目視検査の中核となる部分です。コンピュータ化されたシステムのソフトウェア部分には、品質を調整し、刺激点を見つけ、これらの領域で見つかった特徴に基づいて結果を識別することができる高度な画像処理アルゴリズムが必要です。

自動目視検査を使用するソフトウェア構造は、ウェブベースのデータ転送とニューラルネットワーク処理に基づいている。ここでの重要なパラメータはデータの保存であり、以下の方法で行うことができる：

・ローカルサーバー

・クラウド・ストリーミング・サーバー

・サーバーレスアーキテクチャ

ここで、データストレージソリューションの選択は、多くの場合、ディープラーニングモデルの機能に依存する。例えば、目視検査システムが大規模なデータセットを使用する場合、このシステムにとって理想的な選択は、クラウド・ストリーミング・サーバーを選択することだろう。

ディープラーニングモデルは、検査の難題に取り組む上で非常に有効であるため、重要なソフトウェアの構成要素であることが証明されている。例えば、ディープラーニング・アルゴリズムは、何百枚もの花の写真で学習され、最終的には花の「典型的な」外観との大きな違いを認識できるようになる。

目視検査の自動化：要点

・定義

自動目視検査は、従来のコンピュータ・ビジョンと人間の目視手法を組み合わせたもので、さまざまな領域での欠陥検出に役立つ。

・選択

目標、納期、予算の制約が、深層学習モデル開発のアプローチを決定する。

・アルゴリズム

ディープラーニング・アルゴリズムは、人間の分析を真似ることで、コンピュータ化されたシステムの欠陥を発見する。

・建築

自動目視検査システムを導入する際には、システムのソフトウェアとハードウェア・コンポーネントに適合するディープラーニング・モデルを選択する。

・要件を特定する

探している欠陥の種類を特定するための欠陥検出システムの必須要件を分析する。

・改善と更新

展開後、ディープラーニングモデルはデータの蓄積に賢く、更新のたびに要件を改善する。

AIシステムがより広く使用されるようになるにつれ、そのコストは低下し、効率は間断なく上昇する。画像によるグーグル検索であれ、複雑な工業作業であれ、自動化された目視検査は、最も平凡で複雑な作業を請け負う私たちの生活を容易にする最適な解決策を提供する。

産業分野における自動化の流れは、多くの人々の関心を集めている。これは一般的に第4次産業革命、あるいはインダストリー4.0と呼ばれるもので、生産消費者や、画像処理や設計などの分散型労働力を伴うものである。

マルチ・テックラボはどのようにAIを活用した目視検査を実施したか

人工知能を使用して製品を検査することで、手作業による検査や余分な従業員の必要性をなくし、より強力で正確な検査プロセスを構築することで、時間とコストを節約することができます。

自動目視検査を利用することで、企業は大きな利益を得ることができる。例えば、製造業では、製造された物体の不一致の検出を簡単に自動化できる。また、この使用事例は保険分野にも適しています。そして、これこそが、私たちマルチ・テックラボがある顧客のために構築したものなのである。

挑戦

自動車保険業界のある顧客は、事故車の損傷量を手作業で検出するという課題に直面していた。サービス検査員が車両の状態を評価し、物理的に判断しなければならなかった。

このため、顧客の客足の承認が遅れるだけでなく、誤った判断が下され、顧客サービスの低下やビジネス機会の喪失につながっていた。検査チームの仕事量の多さと離職率は、ビジネスの助けにもなっていなかった。

解決策

コンピュータビジョンとディープラーニングのフレームワークの助けを借りて、当社のデータエンジニアは、車両の損傷の割合を自動的に検出するモデルを構築した。クライアントから提供された数千枚の画像を使用してモデルをトレーニングした。モデルは車体を評価し、損傷の程度を自動的に検出した。欠陥検出のための目視検査用AIモデルの助けにより、全プロセスは数日から数秒に短縮された。

私たちは、顧客からの問い合わせのためにカスタムチャットボットを構築することで、クレーム処理をさらに容易にした。さまざまなカスタマーサービス担当者に連絡し、長い待ち時間に直面する代わりに、顧客は単にチャットボットを通じて自動車保険の請求を行うことができるようになった。

顧客がすべきことは、保険証券番号を入力し、保険金請求のリクエストを行い、チャットボットを通じて損傷した車の写真をアップロードすることだけだった。ボットを通じてアップロードされた写真は機械学習モデルに入力され、機械学習モデルは画像を処理して損害額を算出する。

ワークフロー全体の結果、顧客エンゲージメントが向上し、従業員の生産性が高まり、そして最も重要なことだが、クライアントのビジネス成果も向上した。

長年にわたり、私たちが慣れ親しんできたシンプルなカメラのクリックは、デジタルメディアの量を飛躍的に増加させた。マルチ・テックラボでは、この豊富なデータを活用して視覚技術を拡張し、正確な検出結果を提供するお手伝いをする。当社のAIスペシャリスト・チームは、企業がコンピュータ・ビジョン・ソリューションの力を活用してビジネス・プロセスを改善できるようにするための長年の経験を持っている。

コンピュータ・ビジョンのパワーをビジネスに活用するために、私たちにご連絡ください！