2019年02月05日

外観検査の自動化:外観検査機導入時に検討すべきこと!

人による目視検査ではNG品がたびたび客先に流出してクレームとなっている
こんな悩みを抱えている工場は多いと思います。かと言って、高価な検査機を
導入しても、効果に疑問を感じているというのも事実です。

そこで、賢い外観検査機の導入方法について考察を試みます。


1.外観検査の現状と検査機導入の悩み
不良ゼロが難しいとすると、そこは検査で流出を防がなければなりません。
一般的に、人的ミスの発生率は、緊張を保っている場合、3/1000と言われて
います。また不良を見逃す確率も3/1000です。
従って不良は、3/1000×3/1000=9/1,000,000(9ppm)以下に抑えること
は難しいということになります。

しかし、一般的な工場ではおそらく%の単位を推移しているのではないかと
思われます。しかし、人間には機械では絶対に実現できな万能性も備えており
そこは、ケースによって人間と機械の使い分けをしていくことが必要になり
ます。

①人間による検査
 ・「目」でみて「脳」で検査を行う
 ・特に「脳」は認識能力が高く、大変優秀で、応用も利く
 ・チェックシートなどにより、かなりの精度で不良品を見つけ出すことが可能
 ・長時間同じ作業を続けるということが得意ではない(ポカミス・手抜き)

②検査装置
 ・機械が得意なことは少なく、残念ながら応用範囲も狭い
 ・ただ単調に指示したことをひたすら続けるということが得意
 ・想定内のものなら人間のようにポカミス、違反をすることもない
 ・処理スピードは人間の何十倍、何百倍にも達することが可能

2.賢い検査機導入の手順
人間に頼らず、すべてを自動化したいが、費用的にも、技術的にも実現するのは
難しいというのが現状です。そこで「人間」「検査装置」それぞれの得意分野を
うまく共存させ、より効率のよい検査システムを構築することを推奨します。
IMG_1898.JPG
高崎ものづくり技術研究所が企画・開発した寸法測定検査機

①自動検査装置の対象となる検査
 ・生産量が多く、人海戦術で検査しているもの
 ・人による目視検査で大きな工数を消費している
 ・精度が高く、顕微鏡などを使用して大きな工数を消費しているもの
 ・検査範囲が広いため、人の検査に適さないもの
 ・人の検査ではどうしても見逃してしまい、流出してしまうもの

②自動検査装置導入のポイント
すべては自動化できないので機械が得意なものだけを自動化するという基本に
なります。また外観検査機では画像処理ソフトがカギを握っています。
従って、何を検出したいのかを明確にしたうえで、検出するための画像処理を
しっかりと行うことができる(実績のある)メーカーに依頼することが重要に
なってきます。

大手企業の汎用検査機は、様々な検査に対応でき、すぐに使うことができると
言うメリットがある反面、実際に使いたい機能や性能が物足りないということ
一般的に言われています。

非測定対象物の搬送系、冶具、照明、操作性などを含めた機能・性能を実現さ
せるためには、特注の検査機を製作することをお勧めします。

検査機を検討したい・どのような方式が良いか?などについてご相談を
無料で行っております。お問い合わせは下記フォームより

posted by k_hamada at 00:00| ★AI・深層学習による自動設計system | 更新情報をチェックする

2018年05月05日

AI(人工知能:ディープラーニング)の実用化を目指す:製造業のAI導入の進め方事例

AI(人工知能)の実用化は、「ディープラーニング」技術の技術の発展によって
「囲碁AIがトッププロ棋士に圧勝」「AIによる車の自動運転技術」など、一気
に活躍の場を広げています。

zu010.jpg

実はその背景にあるのは「ディープラーニング」と呼ぶ人間の脳を参考にした
新しいアルゴリズムです。子どもが成長する過程で多くのことを学び取り成長
するように、教師データによりAIは成長します。

だが、実際に導入しようとすると、「学習の基となる教師データが足りない」
「高速なコンピュータが不足し、十分な学習ができない」といった課題に直面
することになります。これらの課題を解決するためにはどうすればよいのか?

1.ディープラーニングと機械学習の違い
ディープラーニングは機械学習のひとつの特殊な形と言えるものです。通常の
機械学習では、画像から手作業で特徴量を抽出することからスタートします。
そして、抽出した特徴データを使って物体を分類するモデルを作成します。

一方、ディープラーニングでは、特徴量は画像から自動的に抽出されます。また
ディープラーニングは「エンドツーエンドな学習」を実行できます。つまり、
生の画像データから自動的にその処理方法を学習していきます。
もう一つの大きな違いは、機械学習がデータの増加に対して性能が頭打ちになる
のに対して、ディープラーニングではその性能がデータの量が多いほど学習が
進み精度が向上していく点にあります。

機械学習には幅広い手法とモデルがあり、用途や処理するデータサイズ、解決
したい課題のタイプに合わせて選択することができます。一方、ディープラー
ニングを成功させるには、データを高速で処理するためのGPUだけでなく、
モデルを学習させるための大量のデータ(数千もの画像)が必要となります。

2.AIの現状と、製造業の取り組みの課題
ディープラーニングでは、人の脳の神経回路を模した「ニューラルネット」の
層を5階層、10階層と「ディープに(深く)」重ねることで、より高度な認識が
可能になります。ディープラーニングの活用領域が一気に広がった背景には、
コンピュータの高速化が進み、大量データを多階層のニューラルネットで処理
できるようになったことが挙げられます。

事実、20年前のニューラルネットワークは3階層くらいだったものが、コンピュ
ータの高速化によって、今では20階層から200階層まで作れるように進歩して
います。

コンピュータの高速化と同時に欠かせないのが、十分な量の“教師データ”を用意
することです。教師データとはコンピュータが学習するためのデータであり、
その出来がディープラーニングの精度を決定します。

優秀な教師は優秀な生徒を育てますが、問題は「優秀な教師をどうやって揃えるか」
で、例えば「工業製品の外観不良を検知するシステムを作ろうとしても、そもそも
不良品の画像データ自体が不足しており、十分な量の教師データを用意できず
検知の精度が向上しないという問題に直面します。

今、この教師データをいかに十分に用意できるのかがAIを活用するための大きな
ネックになります。「AIの適用方法がわからない」と並んで「教師データ作成が
難しい」が、AI活用における悩みのトップを占めています。

3.教師データを人工的に作り出す
どうすれば十分な数の教師データを用意することができるのか。こうした悩みに
応えるために様々な取り組みが行われています。
その中で、データを加工して教師データを人工的に作りだすため、もともと教師
データとして使える不良品の画像は数十枚しかない場合でも、画像をデータ拡張
技術を使って、数百枚程度にまで増やすことが可能です。これにより十分な数の
教師データを確保して、数日間でほぼ100%識別できることが可能になります。

従来方法で人間が特徴点を決めて画像を認識させる画像処理では、モデルの構築
に少なくとも半年以上掛かると予想されます。

他にも自動運転や安全運転支援(ADAS)などで求められる車両認識シーンでは
3次元コンピュータグラフィック(3DCG)を駆使して車種や色、見る角度などを
変えて様々なバリエーションの画像を作りだすことで教師データの数を増やして
います。

「車種を認識する場合でも、リアルな写真からの学習には限界があります。そこで
CGを使って色や角度や当たる光の強さなどの違う画像を教師データとして作成して
認識精度を上げます。

精度を上げるために、3DCGとリアル写真が混ざった教師データを作成する際にも
工夫をしている。フロントガラス越しに写る車内の人物やナンバープレートはマス
キングするなど、CGとリアル写真の特徴量を合わせている。
余計なデータを学習すると、かえって認識精度が落ちることからこのような処理
を施しています。

4.どちらを選ぶか?
機械学習かディープラーニングを選ぶときは、まず高性能なGPUと大量のラベル
付けされたデータがあるかどうかを確認して下さい。もしどちらかが欠けている
場合、ディープラーニングではなく機械学習が適当と言えるでしょう。

ディープラーニングは一般的に機械学習より複雑であるため、信頼できる結果を
得るには少なくとも数千の画像が必要となります。より高性能なGPUがあれば、
そうした大量の画像の学習に必要な時間はさらに短縮していくことができます。
posted by k_hamada at 08:52| ★AI・深層学習による自動設計system | 更新情報をチェックする

AI(人工知能)は本当に生産性向上に寄与するのか?現状は過信がブームを呼ぶ!

最近AIの機械学習システムは画像認識、音声認識、言語翻訳、そしてゲーム
プレイなどといった分野で劇的に進化し、展示会、セミナーなども今最も注目
されている技術であることは誰もが認めているところです。

1.期待されるAIシステム
「今、日本は3度目の人工知能ブームを経験している」と言われています。
人工知能が今また注目される理由は、「ディープラーニング」と呼ばれる新しい
機械学習の手法が確立されたからに他なりません。

製造業においても機械学習に関する技術的背景に精通していない企業経営者は
AIのシステムが万能機能を発揮して工場の生産性に大いに寄与するものと、
大きな期待感を抱いています。

010.jpg

しかし、この理解はまったく正しくないというのが実情です。そのわけを今から
明らかにしていきたいと思います。

2.AIシステム開発における障害
AIに知性を与える開発段階において、ますます機械学習が重要となってきています。
AIシステムを開発する多くの場合において、AI開発に費やす時間はAIを直接的に
設計することよりも、解決策をAI自らが学習する機械学習を設計することにシフト
しています。

そして機械学習によってAIが自己解決能力を獲得することは、問題の解決策を学習
し、その結果として、関連するどんな問題についてもその解決策を見つけてしまう
としたら、AIはもはや完璧ではなかろうか?と誰もが感じてしまいます。

例えばGoogle傘下のDeepMind社が開発したAlphaGoは、世界最強クラスの
プロ囲碁棋士イ・セドル氏に圧勝しました。この活躍を知り、「われわれ人類は
囲碁においてヒトを凌駕する方法を学習した汎用的AIを持つことになった」
そして「AIさえ使えば、自動運転をはじめ,様々な人に代わるシステムを最適化
することができるだろう」と考えてしまうのです。

しかしながら、以上のような推論は次のような仮定にもとづいています
それは、ある問題を解決するために機械学習のアルゴリズムが一度でも開発され
てしまえば、そのアルゴリズムを他の異なった問題の解決にも容易に応用できる
というものです。

しかし、この仮定は成立しません

実際には、画像認識や囲碁のプレイといったある分野のAIに関する革命的な成果
は、そのどれもが多くの技術者が何年にもわたって開発した高度に専門化された
機械学習アルゴリズムによって達成された結果得られたものです。

こうした「すごいこと」を成し遂げようとするなら、実際の「すごい」テクノロ
ジーに加え「すごい」エンジニアがいなければなりません。企業は、「AIを導入
すれば誰でもすぐにすごいことができる」というのは誤りであることをまずは理解
する必要があります。

AIは、人間に例えれば赤ちゃんか子供であると捉えておくべきであり、うまく育て
るためにも、育てる人の「スキル」が求められることを忘れてはなりません。

3.製造業におけるAIシステム活用の方向性
日本企業は、いま世界的に起きているハイスキル人材競争に出遅れており、AI技術
にチャレンジしても、80%はテクノロジでなく人材確保で行き詰まり、挫折する
だろう」と言われています。

しかし企業は、悲観することなく、AI導入に果敢にチャレンジしてほしいものです。

その基本原理は、無数の情報をセンサー群から収集し、それをAIが即座に計算して
最適な条件として機械の制御情報として入力します。従来人の感触で行っていた制御
を機械に置き換えようとするものです。つまり工場のAI化により
 ・生産性の向上
 ・人件費の抑制
 ・高品質製品の製造
の3つの効果を得ようとするものです。

ディープラーニングを導入すれば、既存のルールベース(論理計算)画像処理
では実現できなかった処理が簡単に実現できるという期待があります。そして
多くの企業がマシンビジョン分野へのディープラーニング導入を検討しています。
しかし、マシンビジョンにおいて、ディープラーニングはあくまで多様な画像
処理手法の中の1つであって、画像処理のすべての役割を担えるような魔法の杖
ではないのが現状です。

4.マシンビジョン分野への応用
ここでマシンビジョンとは、画像の取り込みと処理に基づいて機器を動作させる
システムを指します。ハードウェアとソフトウェアを組み合わせた産業用および
非産業用アプリケーション全てを含むものだとされています。

産業用マシンビジョンシステムは、より高いロバスト性(堅牢性)、信頼性、安定
性を要求されます。そして低コストで、許容可能な精度を持ち、操作性をも重視
されたシステムとされます。

マシンビジョンシステムは、特殊な光学系を搭載した産業用カメラ内部の保護され
たデジタルセンサーを利用して、画像を取り込む。これらをコンピュータのハード
ウェアとソフトウェアが、さまざまな特性の処理を行い分析し測定結果を生み出す
ものです。

例えばマシンビジョンの機能群は大きく「検査」「位置決め」「計測」「自動認識」
に分類されますが、「位置決め」や「計測」においては、従来のルールベース画像
処理のほうが圧倒的に精度が高く、ディープラーニングを適用する意味は今のところ
無いと考えられます。

しかし、「位置決め」や「計測」をディープラーニングでは実現できないと言って
いるのではなく、演算量を多く必要とするディープラーニングをわざわざ用いる必要
性が無く、ルールベース程に精度を出せないという意味です。

また、「自動認識」においては、バーコードやデータコード読取にディープラーニン
グを適用することはできません。結論としては、マシンビジョンの世界ではディープ
ラーニングを活かせる分野は「検査」に限られるのが現在の状況と考えてよいと結論
付けられます。
posted by k_hamada at 07:41| ★AI・深層学習による自動設計system | 更新情報をチェックする

  ★お支払いは、Paypalまたはクレジットカード、銀行振り込みで!
  ★2019年7月~値下げ!更に会員入会(無料)で、30%割引特典!
  ★詳しくは <こちら>

0415スライド1.JPG 04014スライド1.JPG スライド04141.JPG なぜなぜ分析表紙1.JPG


音声解説付きテキスト (DVD付き)
 現場ですぐ使える!(6000円 送料込み:会員割引特典あり)

HE対策DVD講座.jpg FMEA DVD講座.jpg スライド1.JPG モグラたたき.JPG スライド5_2.jpg

無料メールマガジン<毎週月曜午前7時半配信>
5分で頭に入れて、その日に実践できる品質管理の常識!!
配信希望は無料会員登録で!<こちらから