Deep Inspection

様々な業種に対応するAI画像検査システムDeep Inspection

人間では判断できるが、従来の機械・画像判定システムではうまく判別できない。
そんな対象に力を発揮するのがDeep Inspection。
経験を積むほど判定精度を高め、極めて高いパフォーマンスで高速均一化を実現します。

Deep Inspectionで、できること

Deep Inspection では、画像の中で特定のパターンに一致する箇所を認識し、そのパターンが基準を満たしているかどうかを判断します。
「人間では判断できるが、画像処理システムではうまく判別できない」
そのような対象に対し、Deep Learningを用いることで、ひとの感覚のような柔軟な分類を行います。

従来の画像検査でも可能な検出例
感覚的に人間が行っている評価

Deep Inspectionの特徴

自信度を付加した判定

過去の結果と比較し自信度を算出。自信度の高いものは自動検査へ、低いものは人に委ねる仕組みです。低い自信度のものだけ目視検査することで、確実に負荷を軽減し、精度を飛躍的に高めます。

継続運用でレベルアップ

人が経験を積むように、Deep Learningは学習データが増えるほど判定精度が上がります。継続的な運用で経験を積んだAIは、熟練の職人のように頼れるシステムになります。

既存ラインへ導入可能

私たちの製品はパッケージではなく、現在のラインを生かしたシステムを提案しています。様々な現場に合わせて設計し、長期間の運用とアップグレードを視野に入れた製品を提供しています。

case.01外壁クラック画像診断AIの開発

東急リバブル株式会社ジャパンホームシールド株式会社

医療・製造業でも活用されるRistのAI技術が不動産業界へも導入。
業務の精緻化、標準化及び効率化を目指します。

Ristは、不動産会社である東急リバブル株式会社、地盤調査や建物検査などを専門的に行うジャパンホームシールド株式会社と連携し、中古住宅の外壁や基礎部分のクラック※1画像を、AIが一定の基準に基づいて診断するシステムを開発しました。(特許出願中)

このシステムは、人間の目視により計測しているクラック幅の検査業務を、Deep Learningを実装したクラウド上のAIアプリケーションが代替診断するものです。建物の外壁には多種多様な材質や色調が用いられており、経年劣化など状態変化も考慮すると無数のパターンが存在します。また、クラックは部位によって幅が異なり、途中で分岐するなど不規則に変化しているものもあります。本システムではスマートフォン専用アプリで撮影したクラック画像を元に、クラックの不規則な形状を高精度で検知。クラックを抽出して、その最大幅を計測・診断します。

※1 クラック:建物の外壁や内壁、基礎などにできる亀裂やひび割れのこと。

従来の外壁クラック検査業務の課題

専用の定規と目視でクラックの最大幅を計測

専用の定規と目視でクラックの最大幅を計測

  1. 検査員(ヒト)による目視と判断がベースとなるため、評価にばらつきも生じる
  2. 検査精度を担保するため、バックヤードでダブルチェックを行っている
  3. 検査品質を維持するため、現場での検査から最終評価までに数日間を要している

外壁クラック検査業務の
精緻化、標準化、効率化が課題

Ristによるアプローチ

外壁クラック画像診断AIの仕組み

AIを用いた外壁クラック計測イメージ
AIを用いた外壁クラック計測イメージ
AIを用いた外壁クラック計測イメージ

期待される効果

  1. 検査時に撮影する画像からAIが計測・診断
  2. 計測値を現場で確認。評価、審査等の業務に効率的に反映が可能
  3. 外壁クラック検査業務の精緻化、標準化及び効率化を実現

中古住宅における一連の評価業務の中で、既存住宅売買瑕疵保険の適合判断基準のひとつである基礎部分や、外壁のクラック検査業務をAIが診断することで、同検査業務の精緻化、標準化及び効率化を実現します。

2020年冬頃に実用化を予定

実用化後は、東急リバブルとジャパンホームシールドが受託する建物検査に広く適用予定。
また、Ristが主体となって開発した外壁クラック画像診断AIの技術的知見は、一戸建に限らず、マンション・ビル、橋脚・トンネルなどの壁面クラック検査への応用を検討しています。

株式会社Rist 実績

case.02鏡の表面検査工程

株式会社村上開明堂

Ristは、バックミラーで国内シェアNo.1の株式会社村上開明堂の製品検査工程において、Deep Learning技術を用いた鏡の表面検査システムを開発し、検査精度の向上(60% → 97%)、目視による検査員の負担軽減を実現しました。

従来の検知システムの問題点

検査例

・画像の色味等の数値化が困難
・人が閾値を決定するため、基準が曖昧になる

検査精度60%程度
検査員による目視検査

最終的に検査員が目視で確認

Ristによるアプローチ

多クラス分類の畳み込みネットワーク(CNN)を使用

多クラス分類の畳み込みネットワーク(CNN)

Rist独自の「Deep Inspection自信度」を開発

Deep Inspection自信度グラフ
精度97%を達成
  • 全ライン導入後は検品作業員が7割削減
  • 海外展開を視野に入れ、検査の自動化により得られたデータから上流工程の最適化なども目指していく
精度99%を達成
株式会社Rist 実績

case.03領域抽出によるパッケージ検査工程

大手パッケージライベル製造会社様より、現在の検査機器での製品検査精度についてご相談いただき、領域抽出ネットワークを利用したDeep Learningによる検査システムにおいて従来の100倍の精度向上を実現しました。

従来のシステム問題点

影・シワ等の影響で測定すべきラインの検出を間違える

100枚に1枚のエラー

Ristによるアプローチ

自動運転や医療に利用されている領域抽出ネットワークを利用

SegNet
Fusion Net

パッケージのある領域をDeep Learningで抽出し、測定

パッケージのある領域をDeep Learningで抽出し、測定
100倍の精度向上を実現

Flow導入の流れ

  1. 01調査・分析

    お客様の製品、既存製造ラインへの導入、新規構築など、目的に合わせた導入方法を立案いたします。
    メール・テレビ電話・⾯談等でのご相談を通じて、ご要望や大まかな現場の状況から実現の可能性を検討いたします。まずはお気軽にお問い合わせください。

  2. 02システム設計

    お客様の現場に合わせてデータ収集を行い、最適なAI学習アルゴリズムを考案。プロトタイプ開発を経て本開発・納品いたします。
    必要に応じてハードウェアを始めとした各分野の企業との協業を行い、特殊な検査にも対応できるハードウェアの設計・開発も行います。

  3. 03効果測定・検証

    構築したラインを実際に動かしながら効果測定・検証を行い、AIプログラムがフルにパフォーマンスを発揮出来るようチューニングを行います。

  4. 04システムの運用開始

    導入後はご希望があれば、AI追加学習などサポートもいたします。
    より高度な検査へのご相談、開発も行っています。