【5つの活用事例付き】目視作業に関わる課題を解決！AIを用いた検査システム Deep Inspection / Deep Mesh
事例紹介
Deep Learningによる非構造データの処理に特化
外観検査についてこんなお悩みありませんか？
・人件費がかかりすぎる
・特定の人しか検査できない
・検品の品質が安定しない
このような目視作業に関わる課題を解決します。
詳しくはカタログをダウンロードしてご確認ください。
このカタログについて
| ドキュメント名 | 【5つの活用事例付き】目視作業に関わる課題を解決！AIを用いた検査システム Deep Inspection / Deep Mesh |
|---|---|
| ドキュメント種別 | 事例紹介 |
| ファイルサイズ | 15.6Mb |
| 取り扱い企業 | 株式会社Rist (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
このカタログの内容
Page1
パッケージ商品などでは痒いところに⼿が届かなかった
他社製品を導⼊したけど精度が上がらなかった等
株式会社Ristに⼀度ご相談ください！！！
©Rist Inc. 00©Rist Inc. 00
Page2
©Rist Inc. 株式会社Ristのご紹介
Page3
目次
1 会社概要
事例１：村上開明堂様
2 Deep Inspectionのご紹介 事例２：大手パッケージ・ラベル製造会社様Deep Inspection Collatioのご紹介
事例３：凸版印刷様
3 Deep Meshのご紹介 事例１：戸田建設様
事例２：コニカミノルタ様
4 製造業以外の分野での実績
5 なぜ、Ristは選ばれるのか
©Rist Inc. 02©Rist Inc. 02
Page4
会社概要
国内外のメーカー、大学、
人類の感覚器官に、 病院、プロスポーツチーム
ミ
ッ などと提携
シ
ョ 自由を取り戻す
ン 製造業
会社名 株式会社Rist
設立日 2016/8/1
会 HP http://www.rist.co.jp 医療画像
社 東京本社 東京都目黒区目黒2-11-3
概
要 京都支社 京都府京都市下京区本覚寺前町830
京都エクセルヒューマンビル11階
スポーツ
Deep Learningによる など
非構造データの処理に特化 画像 動画 音声
©Rist Inc. 03©Rist Inc. 03
Page5
Deep Inspection
Deep Learningを用いた画像検査システム
人の目による判断を AIで補完する
©Rist Inc. 04©Rist Inc. 04
Page6
外観検査についてこんなお悩みありませんか？
課 課 課
人件費が 題 特定の人しか 題 検品の品質が 題
かかりすぎる 検査できない 安定しない
O K O K N G
人員が多く、コストが課題と 検査が職人技と化していて、 人によって基準がバラバラ。
なっている。 他の人に任せられない。 マニュアルや教育で標準化する
後継者がなかなか育たず、検査 のもなかなか難しい。
がボトルネックになっている。
このような目視作業に関わる課題を解決します
©Rist Inc. 05©Rist Inc. 05
Page7
典型的なAI画像の技術
OK
OK NG
NG
大量のOKデータ画像とNGデータ画像により 過去の人間の判定基準と同様に
ネットワークをトレーニングする 新しい画像を自動で判定することが可能
©Rist Inc. 06©Rist Inc. 06
Page8
３つの主要なアルゴリズム
分類
汚れ群 物体検出
サビ群 セグメンテーション
キズ群
©Rist Inc. 07©Rist Inc. 07
Page9
事例1
村上開明堂様
Page10
村上開明堂様のご紹介
バックミラーで国内シェアNo.1
©Rist Inc. 09©Rist Inc. 09
Page11
鏡の表面検査工程
鏡の表面の不具合の検知
1
不具合の種類の15種類の分類を行う
2 ・・・
©Rist Inc. 010©Rist Inc. 010
Page12
従来システムの問題点
1.画像の色味など数値化
n 閾値の設定が困難
2.人が閾値を決める n 精度60%ほどの対象あり
最終的に、検査員が目視で確認
©Rist Inc. 011©Rist Inc. 011
Page13
Ristのアプローチ
多クラス分類の畳み込み
ネットワーク 自信度（CNN）を使用 全体では90%の精度
→使い物にならない
青線：正解 橙色：不正解
Ａ 35 精度：99%以下 精度：99%以上30 従来通り目視検査 自動システム検査
Ｂ 2520 低い自信度のものは
Ｃ 15 従来通り目視検査10
5
0
0.2 0.4 0.6 0.8 1.0
Deep Inspectionの判定自信度 高い自信度のものは
自動検査へ
自信がないものは人間に判断を委ねつつ
確実に目視検査の負荷を軽減
©Rist Inc. 012
サンプル数
©Rist Inc. 012
…
Page14
検証結果と今後の取組
●3000枚を検証
検討結果
●従来の精度60%から、精度99%を達成
○2018年6月からラインへ導入、増産予定
今後の取り組み ○全ライン導入後は検品作業員が7割削減
○タイ、中国といった海外展開を検討中
検査の自動化により得られたデータから
上流工程の最適化なども目指していく
©Rist Inc. 013©Rist Inc. 013
Page15
事例2
大手パッケージラベル製造会社
Page16
実現したいこと
高
ある領域の高さ・幅の さ
ピクセル数を測定
幅
©Rist Inc. 015©Rist Inc. 015
Page17
従来の課題
K社製の検査機器使用時
高
さ
課題
1.影やシワなどで、測定すべきラインの検出を間違える
2. 100枚に1枚程、上記のような正しくないラインを検出 幅
©Rist Inc. 016©Rist Inc. 016
Page18
Ristのアプローチ
自動運転や医療分野で利用されている
セグメンテーションアルゴリズムを利用
SegNet 高さ
幅
FusionNet パッケージのある領域を
Deep Learningで
抽出し、幅測定
©Rist Inc. 017©Rist Inc. 017
Page19
試験結果
K社の検査機器 Ristのシステム
100枚に1枚のエラー 10,000枚に1枚のエラー
100倍の精度向上を実現
2018年8月工場へ導入実験
©Rist Inc. 018©Rist Inc. 018
Page20
比較検査システム
Deep Inspection Collatio