戻るホームへ戻るセミナー
　

ケーススタディから学ぶ，工業製品の官能検査における人工知能の可能性

ディープラーニングの基礎知識と工業製品の官能検査への適用
　 　

人工知能を知り，画像による品質検査の事例と，講師自身の最新の研究の話題をまじえ，
高い精度と実用性を備えた官能検査自動化の実現を考える集中講座！

講師： 白石洋一 氏
群馬大学 大学院理工学府 知能機械創製部門
兼 産学連携推進部門 准教授
博士（工学）
日時： 2019年12月4日（水） 10：00〜17：00
１日集中講座
受講料： 43,000円（消費税込）
● （テキストおよび昼食を含みます。）
会場： 機械振興会館・研修室
東京都港区芝公園３−５−８
（東京タワー直前 TEL 03-3434-8211）
地下鉄日比谷線神谷町下車徒歩５分
（受講券に地図を添付いたします）
会場地図

※録音・録画はご遠慮下さい。

受講申込 このボタンをクリックするとすぐにお申込ができます。
セミナーのお申込は買い物カゴには入らず直接お申込入力となります。

●受講のおすすめ

2012年，画像認識におけるディープラーニングの大幅な性能向上が報告されて以来，人の認識機能を必要とする分野での実用性が報告されている。製品の検査は非常に重要であるが，非生産部門であることから自動化への期待は大きい。我々は，プレス加工されたプラスティック部品とプラスティック製品表面上の印刷に対する外観検査，および金属製の自動車部品の打音検査に機械学習を活用している。
また，これまでに鋼管柱の欠陥推定，機械学習ではないが，樹幹内部の空洞推定を行ってきた。機械学習の活用において性能を上げるためには，トレイニングデータの量と質をどうするかに尽きると言っても良い。
本セミナーでは，我々がこれまでに得た機械学習のトレイニングにおける試行錯誤をもとに，機械学習の有効活用について述べる。

習得できる知識など
現在話題となっている機械学習，ディープラーニングとは何か，実際の官能検査問題に対してどのような手順で機械学習を活用すればよいか，うまく行かない場合にはどこを確認すればよいか等，大学レベルの知識と，我々が実問題に対してどこで失敗し，どう解決してきたかを習得していただき，今後，実際に機械学習を活用して「試行錯誤ができること」を目的とする。
本セミナーを受講したことで即，機械学習によって検査を自動化できるということではない。機械学習を用いて実用レベルの性能を達成することはそう簡単ではなく，機械学習というツールを導入した時点から試行錯誤が始まる。ただし，トレイニングデータを何回か見直すことで，検査精度は95%程度の性能向上が期待できることが多い。また，機械学習は100%を保証するものではないことも十分に認識することが必要である。性能はデータに非常に敏感で，実験室から現場，現場の環境変化等に大きく依存する。
受講対象者・レベルなど
  • 機械学習を官能検査に活用したい方
  • 機械学習の実用性能を確保するためには何が必要かを知りたい方
  • 機械学習を適用したがうまく行かなかった方
  • 実際に機械学習ができること・できないことを知りたい方
※人工知能に関して初心者でも受講可能

●セミナープログラム

１．人工知能とは何か
1.1　人工知能の概要，製造業にAIは役立つのか
1.2　教師あり学習
1.3　教師なし学習
1.4　機械学習とディープラーニングの基礎知識
２．ディープラーニングによる外観検査
2.1　ディープラーニングによる製品の外観検査：事例１
　　2.1.1　畳み込みニューラルネットワーク
　　2.1.2　プレス加工によるプラスティック部品の欠陥検査問題
　　2.1.3　畳み込みニューラルネットワークの適用
　　2.1.4　不良品画像合成によるトレイニングデータ増大
　　2.1.5　実験評価結果
　　2.1.6　まとめ
2.2　ディープラーニングによる製品の外観検査：事例２
　　2.2.1　プラスティックボトル表面上の印刷欠陥検査問題
　　2.2.2　畳み込みニューラルネットワークの適用
　　2.2.3　トレイニング方法
　　2.2.4　欠陥サイズの推定方法
　　2.2.5　実験評価結果
　　2.2.6　まとめ
３．サポートベクターマシンによる製品の打音検査とディープラーニングの適用可能性
3.1　サポートベクターマシンによる製品の打音検査
　　3.1.1　機械学習とサポートベクターマシン
　　3.1.2　自動車部品の打音検査問題
　　3.1.3　打音採取と打音に対する前処理
　　3.1.4　サポートベクターマシンのトレイニングと評価結果
　　3.1.5　実験評価結果
　　3.1.6　不良品打音データの増大と特徴量の有効利用
　　3.1.7　さまざまな試行錯誤
　　3.1.8　まとめ
3.2　機械学習を用いた打音による鋼管柱の非破壊欠陥推定
　　3.2.1　研究の背景
　　3.2.2　装置構成
　　3.2.3　研究の課題
　　3.2.4　サポートベクターマシンの適用
　　3.2.5　実験評価結果
　　3.2.6　まとめ
3.3　ウェーブレット解析を用いた，打音による樹幹内部の欠陥推定方法
　　3.3.1　研究背景
　　3.3.2　研究目的
　　3.3.3　打音取得方法
　　3.3.4　ウェーブレット解析による手法
　　3.3.5　実験評価
　　3.3.6　まとめとディープラーニングの適用可能性
４．エッジAIデバイスの進歩
4.1　エッジAIデバイスとは
4.2　ディープラーニングの実行に対するエッジAIデバイスの性能評価
５．全体のまとめ
◎　質疑応答

戻るホームへ戻るセミナー