外観検査でこのようなお悩みはありませんか？

・外観検査をヒトが行っており、品質のバラツキ(見逃し)が発生している
・画像検査装置を導入しているが、過検出や見逃しが発生している
・製品数や検査項目が多く、画像検査のルールを作るのに苦労している
・AI,Deep Learningの画像検査を導入したいが、膨大なデータが必要であったり、
　判断根拠がブラックボックス化してしまうことがネックとなっている

ヒトによる目視検査の抱える課題

採用難と技術継承問題

品質のバラツキ(見逃しリスク)

過酷な環境

従来の画像解析の課題

ルールベース、Deep Learningどちらも課題があり、導入が難しい場合があった。

アダコテックHLACによる画像解析課題の解決策

少数の正常画像
データでOK

100～200枚の正常画像で検査モデルを作成できる。不良データの収集が必要ないため、PDCAを高速で実行可能。

安価PCで
利用可能

少ないデータでモデルが作れること、処理がシンプルなため、GPUマシンなど必要なく、汎用的なPCで運用が可能。

説明可能な
判断ロジック

ディープラーニングと異なり、画像解析で得た特徴に対して線形処理を行う。判断根拠を見える化し説明性が高い。

アダコテックの産総研特許技術HLACの仕組み

高次局所自己相関(HLAC)とは？

画像特徴を認識する日本初の技術です。
・形状,面積等の対象の特徴を瞬時認識
・計算は線形処理：
　ブラックボックス化しない

対象物をマスクパターンで
スクリーニング

検査画像に対し3×3ピクセルのマスクパターンを25個利用し、各マスクパターンの輝度値(明るさ)の相関関係を計算します。対象画像に対して、25種類のマスクパターンを全てスキャンする。各特徴を全て足し上げることで画像全体に対する特徴を表現します。

特徴を主成分分析で
異常判定

得られた特徴に対して、統計的に主成分分析を行います。正常な検査モデルを閾値によってOKの範囲を定義し、正常な検査モデルと剥離の大きい場合にNGとして判定を行います。

欠陥分類も可能

欠陥は種類によって特徴が異なります。また同種類の欠陥間では特徴が似てくるので、特徴毎にラベリングすることで欠陥の分類を可能にします。

HLACとその他技術との比較

ルールベースとDeep Learningの中間に位置する検品の画像解析にとって理想的な技術です。

アダコテックAI外観検査に関するご相談・お見積依頼は下記よりお問い合わせください。