マシンビジョン業界では、ディープラーニングを利用したビジョンシステムを提供するメーカーが増えており、その機能拡充に向けた研究開発も盛んに行われています。
しかし、従来の手法による画像処理や画像解析は、このままディープラーニングに取って代わられてしまうのでしょうか。
このホワイトペーパーでは、産業用画像処理のうち、人工知能のディープラーニングを利用した最新の手法と従来の手法を比較し、その可能性やメリット・デメリット、それぞれの手法の今後の展望について解説します。
ここでいう「従来の手法」とは、単純なルールにもとづいた画像解析（人工知能なし）のほか、ディープラーニング以外の機械学習アルゴリズム（人工知能あり）による画像データの分析を指します。
目次
1. 産業用画像処理におけるディープラーニングの用途
2. ディープラーニングによる画像処理のメリット
3. ディープラーニングの導入コスト
4. 複数のアプローチによるディープラーニングネットワークの最適化
4.1 画像サイズの削減
4.2 検査画像のバラツキの均一化
4.3 学習データの量・バリエーションの拡充
5. ディープラーニングに適さない用途
6. 今後の展望
7. まとめ
1. 産業用画像処理におけるディープラーニングの用途
ディープラーニングによる画像処理の代表的な用途として、異常検知、分類、セグメンテーション、物体認識が挙げられます。
従来の手法による画像解析よりも高い精度と柔軟性を有していることは、十分な学習を行った人工ニューラルネットワーク（ANN）の大きな特長です。
■異常検知：
画像にもとづいて良否判定を行い、物体・構造の不具合などを検出します。
■分類：
1つの物体のみを含むなど、条件を設定して画像を分類します。
図1：異常検知と分類
■セグメンテーション：
ピクセル単位の分類を指し、表面構造の不具合などの検出や位置特定に利用されます。
図2：セグメンテーション
■物体認識：
画像内の一つまたは複数の物体を分類し、その位置を特定することにより、数量、配置、方向などの情報を収集します。
物体認識
2. ディープラーニングによる画像処理のメリット
マシンビジョンにディープラーニングを導入すれば、画像処理の精度が向上するだけでなく、従来の手法や単純な処理では実現できなかった安定性と柔軟性も実現できます。
また、これまでの機械学習アルゴリズムでは、物体の特徴を正しく検出するため、人力で特徴を数値化する「特徴量エンジニアリング」を事前に行う必要がありましたが、ディープラーニングネットワークならこのような工程を経なくても、学習プロセスの中で各種特徴を別に認識できます。
特徴の異なる物体の検出：
表面のひっかきキズ、形状がさまざまな天然物、手書きの文字など、状況によって特徴が異なる物体でも認識できることは、ディープラーニングの大きな魅力です。
例えば、異常検知においてキズのある箇所を特定したい場合、ニューラルネットワークなら良品の画像を学習させるだけでリアルタイムな検査が可能です。
物体認識の安定性向上：
適切な学習を行ったニューラルネットワークであれば、たとえ背景、解像度、照明が異なっていても物体を正確に認識できるため、個別の学習や特別な調整を行わなくて済みます。
■本ホワイトペーパーの全文（3章以降）は以下よりご覧いただけます。
https://info.baslerweb.com/l/73192/2020-04-14/9mvnwb
■問い合わせ
バスラー・ジャパン株式会社
http://www.baslerweb.jp
コメントを残す