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。
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鏡の表面検査工程
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
・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
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
Rist独自の「Deep Inspection自信度」を開発
- 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
case.02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
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
