AI外観検査の導入プロジェクトの進め方、学習データの準備、前処理、質と量の課題解決、学習を意識した画像情報の集め方、狙った識別精度の獲得、品質保証への対応
良品・不良品データの不均衡を解決し、現場に最適なAI外観検査を実現し、導入後の運用と精度の向上
画像認識技術を用いたAI外観検査の現場導入事例と精度向上指針
高精度識別の外観自動検査を実現するノウハウ
１．AI画像認識システムの動向と導入基礎
1.1 AI画像認識の基礎と最新事例
1.2 AI画像認識システムのメリット
1.3 AI画像認識システム導入時の留意点
1.4 「機械学習」と「深層学習」の選択
２．AI画像認識システムの各種実例
2.1 パン識別システム「BakeryScan」の特徴と実際
2.1.1 BakeryScanのシステム構成
2.1.2 パン識別システムの課題
2.1.3 現場導入時の課題
2.2 不織布画像検査システムの特徴と実際
2.2.1 不織布の異物検査
2.2.2 既存の画像検査システムの課題
2.2.3 不織布画像検査システムの構成と特徴
2.2.4 機械学習による異物判別
2.3 チェーン製造ラインにおける外観検査
2.3.1 チェーン外観検査の課題
2.3.2 チェーン外観検査システムの構成
2.3.3 オートエンコーダによる良品学習と異常検知
2.4 油圧部品についての自動外観検査システムの特徴と実際
2.4.1 外観検査の課題
2.4.2 ONE Class SVM（OCSVM）による良品学習
2.4.3 OCSVMの課題とVAEによる異常検出
2.4.4 二次識別による誤検出の改善
３．AI外観検査のはじめ方と機械学習のためのを意識した画像データ準備・前処理
3.1 AI外観検査の進め方
3.1.1 検査項目の網羅と評価基準の明確化 学習データの取集と用意
3.1.2 PoC(Proof of Concept)概念実証
3.2 機械学習を意識した画像データ（学習データ）の準備
3.2.1 撮影環境の工夫
3.2.2 照明による撮影画像の違い
3.2.3 検証用画像撮影時の注意
3.3 学習が難しい画像
3.3.1 撮影環境や条件のばらつき
3.3.2 背景による誤認識
3.4 学習しやすい画像のための前処理
3.4.1 画像のノイズ／歪みなどを取り除く
3.4.2 明るさや色合いを調整／輝度調整
3.4.3 前処理としてのルールベース画像処理
3.4.4 画像の「標準化」「白色化」
４．学習データの量と質の課題
4.1 学習データの準備にかかる負荷（画像の収集、ラベルの付与）
4.2 学習データはどの程度必要か
4.3 外観検査における学習データ不均衡の問題
4.4 学習データのクレンジング
4.5 学習データの拡張と注意点
4.5 ラベル付き公開データセットと転移学習による対応
５．識別根拠の課題と品質保証への対応
5.1 Deep Learningは内部分析が困難
5.2 説明可能性・解釈性（XAI）に関する技術
5.3 Deep Learningが着目しているところ（ネットワークの可視化）
６．AI画像認識システム導入の進め方
6.1 要求定義の取りまとめ
6.2 AI機能の選定
6.3 社内教育とプロジェクトの立ち上げ方（産学連携助成の活用等）
6.4 学習データの準備とその留意点
6.5 概念実証(PoC)の特徴・考え方・進め方
6.6 ラインでの実運用
6.7 運用による精度向上
□質疑応答□