1/43ページ

このカタログをダウンロードして
すべてを見る

ダウンロード(2.9Mb)

[ホワイトペーパー]不良画像1枚から学習できるAI外観検査ソフトウェア gLupe® Version.2

ホワイトペーパー

AIを応用した「製造業向け外観検査ソフトェア gLupe」についての製品説明、事例、導入方法をご紹介

AI/ディープラーニングを応用した外観検査ソフトウェアgLupe(ジールーペ)。その最大の特徴は少量のデータで学習できることです。ディープラーニング特有の大量データの収集作業が不要なため、導入コストを最小限に抑えられます。
gLupeは自動外観検査システム開発キットです。Windows環境で手軽に学習・評価ができ、学習結果を使用した推論システムを自由に開発することが可能です。また、ご要望があれば、弊社によるデータ解析や開発サービスもご提供可能ですのでお気軽にお問い合わせください。

関連メディア

このカタログについて

ドキュメント名 [ホワイトペーパー]不良画像1枚から学習できるAI外観検査ソフトウェア gLupe® Version.2
ドキュメント種別 ホワイトペーパー
ファイルサイズ 2.9Mb
登録カテゴリ
取り扱い企業 株式会社システム計画研究所/ISP (この企業の取り扱いカタログ一覧)

この企業の関連カタログ

監視カメラソリューション向けAIエンジンSENLI
製品カタログ

株式会社システム計画研究所/ISP

[製造業×AI]その作業ソフトウェアで自動化できるかも
ハンドブック

株式会社システム計画研究所/ISP

外観検査ソフトウェアgLupe 現場で動かすシステム構成例
製品カタログ

株式会社システム計画研究所/ISP

このカタログの内容

Page1

gLupe®(ジールーペ) 製品説明資料 株式会社システム計画研究所/ISP 2021.5.6 ©2021 Research Institute of Systems Planning, Inc.
Page2

システム計画研究所/ISPについて ©2021 Research Institute of Systems Planning, Inc.
Page3

システム計画研究所/ISP 当社の特長 創業40年以上の老舗ソフトウェア開発会社 長年のシステム開発ノウハウでコンサルからシステム開発まで 幅広くカバー 営業部門を持たない技術者集団 2 ©2021 Research Institute of Systems Planning, Inc.
Page4

システム計画研究所/ISP 当社にてすべて対応可能 3 ©2021 Research Institute of Systems Planning, Inc.
Page5

システム計画研究所/ISP 所在地:東京都渋谷区桜丘町18-6 設立:1977年11月10日 資本金:8,000万円 所員数:105名(2020年4月現在) 事業内容:科学技術計算系ソフトウェア開発 [主な事業領域] 実績など: • 大手回転寿司チェーン「スシロー」の店舗にAIを用いた自動会計システム 人工知能 を導入 • 経済産業省公募「省エネ型電子デバイス材料の評価技術の開発事業」 • 農林水産省公募「人工知能未来農業想像プロジェクト」 • 国立研究開発法人 産業技術総合研究所 「機械学習アクセラレータ改訂版プ 医療情報 画像処理 ログラム開発」など各種公募落札 • 国立研究開発法人 理化学研究所「ChemTSに基づいた構造発生AIの機能強 化とKNIMEインターフェイスの作成」など公募落札 • 国立研究開発法人医療基盤・健康・栄養研究所「創薬支援インフォマティク 通信 スシステム構築プロジェクトにおけるナレッジ抽出システムの開発」 宇宙・制御 ネットワーク 他、ロボティクス、製造業、建設業などでも多数AI・画像処理システムの社会実 装実績あり 4 ©2021 Research Institute of Systems Planning, Inc.
Page6

gLupe (ジールーペ)とは ©2021 Research Institute of Systems Planning, Inc.
Page7

製造業向け外観検査ソフトウェア gLupe とは • 製造業における製品の外観検査に特化したソフトウェア • Deep Learningを応用した当社独自の高性能エンジンにより、 数枚や数十枚程度の少量データの学習で不良検出が可能 • 機械学習やDeep Learningの知識があまり無い方でも使用できる、 簡単操作を実現 6 ©2021 Research Institute of Systems Planning, Inc.
Page8

通常のDeep Learningとの違い gLupe Deep Learning 学習に必要な画像データ:数枚から可能 学習に必要な画像データ:クラス毎に数千枚から必要 学習に必要な時間:数秒程度 学習に必要な時間:少なくとも数時間は必要 通常のDeep Learningによる学習 通常のDeep Learning による学習 学習時間:1晩~ 正常画像数千~数万枚 異常画像1 数千~数万枚 異常画像2 数千~数万枚 gLupe による学習 学習データの収集コスト大幅減! スピーディーな評価が可能! 数枚~ gLupe による学習 学習時間:数秒 7 ©2021 Research Institute of Systems Planning, Inc.
Page9

gLupe 導入実績 溶接箇所の検査 重包装製品の検査 • 正しく溶接されていることの検査 • 生産途中の形状や糊塗布量が • めったに出ない不良を検出しつつ、 正しいかを検査 良品正解率は99%以上をキープ • これまで検出できなかった生 • 正常の溶接画像を用いて学習 産途中の不良を検出可能に • 既設の撮像システムと連携してシス • 既設生産ラインにカメラを追 テム構築 加してシステム構築 焼き菓子の検査 その他実績 • 焼き菓子の外観品質の検査 • 半導体ウェハーの検査 • 99.9%の正確さで自動検査を実現 • 自動車部品の検査 • 不良品検知率が目視検査員と同等の比率であることを確認 • 噛み込み検査 • 200個/分以上の超高速生産ラインでのリアルタイム検査を • 衣料品の検査 実現 • ベアリング関連部品の検査 • 検査ユニットとして、搬送系含めたシステム構築を担当 • ゴム、樹脂製品の検査 • 食品の検査 システムイメージ※実物ではありません 8 ©2021 Research Institute of Systems Planning, Inc.
Page10

gLupe 開発キットについて ©2021 Research Institute of Systems Planning, Inc.
Page11

gLupe 製品形態 gLupe は、Deep Learningを用いた外観検査自動化システムを開発するための 開発キットです。 gLupe Learning Tool gLupe Infer SDK (学習・評価用ツール) (推論ソフトウェア開発用SDK) 10 ©2021 Research Institute of Systems Planning, Inc.
Page12

gLupe を用いた開発の流れ データ収集・整理 学習・評価・前処理検討 システム組み込み 当社で「データ解析サービス」請負い可 当社で「開発サービス」請負い可 学習モデルエクスポート 11 ©2021 Research Institute of Systems Planning, Inc.
Page13

gLupe Learning Tool 直感的な操作画面で、前処理設定、学習、評価を行うことが できます。 12 ©2021 Research Institute of Systems Planning, Inc.
Page14

gLupe Learning Tool 機能紹介 外観検査に特化した、以下3種類の機能を搭載しています。 [関連動画] – 異常検知:良品学習の使い方 https://youtu.be/CzWX_0qJ0Wo – 異常検知:不良箇所学習の使い方 https://youtu.be/tA3D4pgHUkM 異常検知:良品学習 異常検知:不良箇所学習 不良種別分類 OK OK NG NG OK OK OK or NG OK or NG NG1 NG2 NG3 数十枚の良品データで学習 不良品データ1枚から学習可能 少量データで不良種別を学習 良品以外をはじく異常検知機能 学習した不良を検出する異常検知機能 不良種別分類機能 13 ©2021 Research Institute of Systems Planning, Inc.
Page15

異常検知:良品学習 数十枚からの少量の良品データのみで学習し、良品か不良品かの二値判別を行う機能です。 学習用に不良品画像を収集する必要が無いためスピーディーな開発が可能です。 また、良品した学習していませんので、未知の不良品も検出できる可能性もあります。 少量の良品データのみで学習 良品/不良品の判別 不良箇所の検出 良品 不良品 14 ©2021 Research Institute of Systems Planning, Inc.
Page16

異常検知:不良箇所学習 不良品データを使用して、不良箇所を学習させる機能です。 不良品データは1枚からでも学習が可能です。 見た目のバリエーションが多くなりがちな立体物やサイズの大きな部品の検査に有効な機能です。 不良箇所を大雑把にマーキングして学習 不良箇所 それ以外 不良箇所を検出 15 ©2021 Research Institute of Systems Planning, Inc.
Page17

不良種別分類 画像を学習別に分類することができる機能です。種別毎に数十枚ずつ画像があれば学習が可能 です。この機能を使えば、「異常検知:良品学習」で不良判定された画像が何の種類の不良な のかを振り分けることが可能です。 【分類例】 各種別ごとに少量の画像データを使用して学習 汚れ 何の種別かを判別 傷 打痕 16 ©2021 Research Institute of Systems Planning, Inc.
Page18

製品検査用サンプルアプリケーション gLupe Infer SDK には、すぐに使える検査用アプリケーションが付属しています。ソース コードも付いていますので運用に合わせて改良することも可能です。 [関連動画] – サンプルアプリケーションの使い方 https://youtu.be/_6TZgyI5T0g 17 ©2021 Research Institute of Systems Planning, Inc.
Page19

必要システム構成 • OS:Windows 10 64-bit • CPU:Intel Core i5以上 • メモリ:8GB以上 (16GB以上推奨) • GPU:CUDA対応NVIDIA製GPU メモリ2GB以上(4GB以上推奨) Maxwellアーキテクチャ以上 ※Linux環境、ARM CPU環境での動作をご要望の場合は別途ご相 談ください 18 ©2021 Research Institute of Systems Planning, Inc.
Page20

ライセンス形態 ©2021 Research Institute of Systems Planning, Inc.