製造業×AI｜画像認識を利用した傷部品分類
株式会社キスモの大越です。
今回は製造業でのAI活用事例を題材に、簡易的なデータで実験した例をご紹介します！
製造業とAI
昨今、製造業においてAIの活用が進みつつあります。
これまで属人化していた作業をAIで代替し、作業を効率化したいというニーズを多く耳にします。
代表的な例は、画像認識を用いた不良品検知やセンサーデータを用いた機器の故障予測などが挙げられます。
課題定義
今回は、工場などで作られる部品の異常検知をテーマに、「画像認識を利用した傷部品分類」を行います。
右が正常画像、左が異常画像で、こちらには黒い線で傷が入っています。
データは自分たちで撮影した部品画像にランダムな黒い線を入れて作りました。
下記はその枚数です。
| データ種類 | 学習データ数 | 検証データ数 |
|---|---|---|
| 正常画像 | 888 | 222 |
| 異常画像 | 888 | 222 |
具体例、技術的な解説
画像分類で広く利用されているCNNを用いた画像分類モデルを作成しました。
弊社ではモデルのサイズや性能の異なる3つのモデルを用意しており、今回は1番単純なモデルを使用しました。
| score | |
|---|---|
| val loss | 0.000682493 |
| val acc | 1 |
| val precision | 1 |
| val recall | 1 |
検証データのスコアです。
これを見ると精度100%(val acc=1)で予測できていることがわかります。データが少し簡単すぎましたね。
評価指標の詳細についてはこちらの記事が参考になります。
また、lossには2値分類で一般的に用いられるbinary cross entropyを使用しました。
| true=正常 | true=異常 | |
|---|---|---|
| pred=正常 | 222 | 0 |
| pred=異常 | 0 | 222 |
混同行列です。
左上が正常を正常と予測した数、左下が正常を異常と予測した数...です。
これを見ても、正常なものを正常、異常なものを異常と予測できていることがわかります。
最後に
製造業における異常検知は、データさえご用意していただければ、弊社のソリューションを用いて解決することができます。
このような事例に取り組みたいとお考えの企業さまは、弊社のAI導入支援サービスLeadAIより、お気軽にお問い合わせください！
最後まで読んでいただき、ありがとうございました！
