ディープラーニングに基づく

外観検査AI技術

～外観検査・目視検査の自動化に取り組む際に考えるべきこと～

＜Zoomによるオンラインセミナー＞

講師

国立大学法人 九州工業大学
大学院情報工学研究院　准教授 理学博士 徳永 旭将 先生

日時・会場・受講料

●日時　2024年5月17日（金）　12:30-16:30
●会場　会場での講義は行いません。
●受講料　1名41,800円(税込（消費税10％）、資料付)
　＊1社2名以上同時申込の場合、1名につき30,800円
　　　　　 ＊学校法人割引；学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認下さい。

　●録音・録画行為は固くお断り致します。

■ セミナーお申込手順からセミナー当日の主な流れ　→

※配布資料等について

●配布資料はPDF等のデータで配布致します。ダウンロード方法等はメールでご案内致します。
・配布資料に関するご案内は、開催1週前～前日を目安にご連絡致します。
・準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。
　（土、日、祝日は営業日としてカウント致しません。）
・セミナー資料の再配布は対応できかねます。必ず期限内にダウンロードください。

●当日、可能な範囲でご質問にお答えします。（全ての質問にお答えできない可能性もございます。何卒ご了承ください。）
●本講座で使用する資料や配信動画は著作物であり、無断での録音・録画・複写・転載・配布・上映・販売などは禁止致します。
●ご受講に際しご質問・要望などございましたら、下記メールアドレス宛にお問い合わせください。
req@johokiko.co.jp

セミナーポイント

■はじめに
製造業において、外観検査は製品の品質管理に欠かせないプロセスである。従来は、専門的知見をもつ技術者が目視で不良の有無を確認していた。しかしながら、検査項目の増大や人手不足の深刻化により、この検査工程の自動化がモノづくりの重要な課題となっている。近年では、ディープラーニングのような統計的機械学習に基づく外観検査AIが注目を集めている。このようなデータ駆動的アプローチは、十分な訓練データさえ準備できれば、従来のルールベース的な手法と比べ、より柔軟で例外に強い自動外観検査の実現が期待できる。本講座では、外観検査AIの導入に関心を抱いている技術者や管理責任者を対象とし、外観検査AIの概要、技術的背景、技術動向、導入の際に考慮すべき困難性などについて概説する。また、画像からの異常検出技術の研究開発に用いられるベンチマークデータや、代表的な外観検査AIの実装例について紹介する。

■想定される主な受講対象者
（１） 自動外観検査AIの導入をご検討されている企業の方
（２） 大学で開発した技術のPoC実証試験や共同研究にご関心のある方

■必要な予備知識
・統計学および統計的機械学習の基本知識を前提とする

■本セミナーに参加して修得できること
ディープラーニング等のAI技術に基づく自動外観検査が従来の自動外観検査と違いについて概要を理解できる
1. 外観検査AIに関する代表的な技術の概要を理解する
2. 長期的に外観検査AIを運用する上での代表的な課題について理解する
3. 代表的なベンチマークデータや実装例を知る

セミナー内容

1．外観検査AIの概要：何が期待できるか？
　　　1）ルールベースの自動外観検査技術
　　　2）AIによる自動外観検査
　　　3）自動外観検査タスクの例１：Defect Detection
　　　4）自動外観検査タスクの例２：Anomaly Classification
　　　5）自動外観検査タスクの例３：Anomaly Localization

2．ベンチマークデータの例（実データ）
　　　1）MVTec AD dataset
　　　2) BTAD (beanTech Anomaly Detection) dataset
　　　3) MVTec LOCO AD dataset
　　　4) VisA dataset
　　　5) Severstal: Steel Defect Detection dataset
　　　6) PlantVillage dataset

3．自動外観検査を困難にする要因
　　　1）訓練データの不均衡性
　　　2）不良モードの多様性
　　　3）基準の設定が困難な不良：（欠損異常、テクスチャの異常、概念的異常）

4．外観検査に関連が深いAIの概念
　　　1）教師あり学習
　　　2）教師なし学習
　　　3) 限られた訓練データからの学習
　　　　　(a) 半教師あり学習
　　　　　(b) 弱教師あり学習
　　　　　(c) 転移学習
　　　　　(d) 継続学習

5．外観検査AIの技術例
　　　1）教師なし学習に基づく外観検査AI
　　　　　(a) Feature Embedding based Methods
　　　　　(b) Reconstruction based Methods
　　　2）Feature Embeddingに基づく手法の例
　　　　　(a) Teacher-Student Architecture
　　　　　(b) One-Class Classification
　　　　　(c) Distribution Map
　　　　　(d) Memory Bank
　　　3）Reconstructionに基づく手法の例
　　　　　(a) Reconstruction：Autoencoder, GANomaly
　　　　　(b) Denoising: denoising ED, DRAEM
　　　　　(c) Inpainting：Transfomer,GL-CANomaly

6．社会実装や長期運用に向けた課題
　　　1) Dataset Drift / Domain Shift
　　　2) Conceptual Drift
　　　3) 新規性や外れ値の検出
　　　4) 解釈性の問題
　　　5) 自律型と人間中心型の外観検査AI

講師紹介

【略歴】
九州大学大学院在学時には、地球物理学の研究で東南アジア、南米やアフリカ等でのフィールドワークを経験。
学位取得後は、明治大学でのポスドク経験の後、（一財）高度情報科学技術研究機構で企業の大型計算資源の利活用を推進するプロジェクトに従事。その後、情報システム研究機構・統計数理研究所にて神経科学分野の大型プロジェクトに参画。
2018～2022年にかけて、JSTさきがけ研究者を兼任。
現在、九州工業大学情報工学研究院において、「現場に貢献できる」データサイエンス・AIの基盤技術の研究に取り組む。

【専門】
データサイエンス/統計的機械学習/画像認識/アダプティブAI

【本テーマ関連学協会での活動】
情報処理学会会員、日本統計学会会員