【画像AI・外観検査（画像異常検知）】正常画像から異常箇所を見つけ、少ない不良データでも検査を支援します
当社では、正常な製品画像の特徴をAIに学習させ、通常と異なる箇所を検出する異常検知技術を提供しています。不良品の画像を十分に集めにくい場合でも、まずは「いつもと違う製品」を抽出し、人が確認する運用を検討できます。
当社技術とアプローチ
お客様の製品、検査工程、保有している画像などに合わせて、画像異常検知の適用可能性の検証から、現場で使用するシステムの開発・運用まで対応します。
【正常画像を学習する画像異常検知】
正常な製品画像をAIに学習させ、学習した正常状態から外れる特徴を異常候補として検出します。不良種別ごとの画像を十分に集めにくい場合でも、正常画像を用いて適用可能性を検証できます。
【安定した撮影条件と画像補正】
安定した判定を行うためには、照明、カメラ位置、撮影角度などの撮影条件をできるだけ一定にすることが基本となります。そのうえで、撮影時に生じる多少の位置ずれや明るさのばらつきに対して、画像の位置合わせや明るさ補正、検査範囲の設定、画像処理・フィルタリングを組み合わせます。
【異常候補の可視化と人による確認】
AIが異常候補として検出した位置と異常度を画像上に表示し、検査員による確認に活用できます。確認画面や周辺システムとの連携については、実際の検査工程や運用方法に応じて検討します。
【AIからシステム運用まで対応】
AIモデルの検証に加え、要件に応じて、カメラや既存設備との連携、判定画面、検査画像や判定結果の保存など、実運用に必要なシステムの設計・開発についてご相談いただけます。導入後のAIモデルの評価・更新や、システム保守にも対応します。
画像異常検知モデルの学習と推論のイメージ図
詳しい技術や活用実績については、お気軽にお問い合わせください
想定活用例
正常画像を使った異常箇所の検出
💡 想定される課題
製品画像を使った外観検査では、次のような課題が想定されます。
- 画像AIを用いた外観検査を検討しているが、不良品画像が少なく、不良種別ごとの学習データを集めにくい
- 発生する不良の種類や見え方を事前にすべて想定することが難しい
- 撮影条件や正常品の個体差によって画像の見え方が変わり、どこまでを正常とするか、安定した判定基準を整理しにくい
- 検査員が目視で確認しているため、熟練者への負担が大きく、検査員によって判断にばらつきが生じている
🛠 技術的なアプローチ
当社の異常検知技術を活用し、次のような仕組みを構築します。
【正常パターンの学習】
正常画像に共通する特徴をAIに学習させ、通常パターンとの差を数値化
【異常箇所の強調】
画像前処理やフィルタリングを用いて、微細な傷・汚れ・形状差などの異常候補を見つけやすくする
【人による最終確認】
異常候補の位置と異常度を表示し、必要に応じて検査員の確認を可能にする
✨ 期待できる効果
この技術を活用することで、次のような効果が期待できます。
導入検討のしやすさ
不良品画像が少ない場合でも、正常画像を中心に適用可能性を検証できる
確認作業の効率化
AIが異常候補を抽出し、検査員が重点的に確認する対象を絞り込める
異常候補の確認支援
目視だけでは気づきにくい変化を異常候補として可視化し、検査員による確認を支援する
製造ラインでの運用のイメージ図
画像異常検知を製造ラインで運用する場合「初期設定・モデル作成」「製品ごとの検査」「一定期間ごとの評価・更新」を、それぞれ異なるタイミングで行います。