1/7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(65.4Mb)

【全サービス紹介:画像認識・ロボティクス・データ分析など全てのサービスのパンフレットです】

製品カタログ

DeepInspectionシリーズ、ロボティクス、データ分析などRistがこれまでに行ってきた事例と新サービスのご紹介です。

Ristが提供するサービスは全てオーダーメイド開発です。
パッケージ商品ではない分、お客様の課題に合わせた開発が可能です。
また、高度な3Dレンダリングが可能な技術者もいるため、不良が出にくい製品への対応も可能です。
データ分析の業務では世界最高クラスのデータ分析専門チームがお客様のためにシステムを開発いたします。

一からの対応はもちろんですが、
「AIのパッケージ商品を使ったがうまくいかなかった」
「他社で開発が難しいと言われてしまった」
「データがなかなか取れなくて困っている」
など難しい案件も是非とも一度ご相談ください!

このカタログについて

ドキュメント名 【全サービス紹介:画像認識・ロボティクス・データ分析など全てのサービスのパンフレットです】
ドキュメント種別 製品カタログ
ファイルサイズ 65.4Mb
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)

このカタログの内容

Page1

Deep Learningによる検査システム 経験を積み柔軟に判別 高速均一化を実現するAI “人間では判断できるが、従来の画像処理システムではうまく判別できない”。そんな対象に力を発揮する のがDeep Learningを用いたDeep Inspection。経験を積むほど判定精度を高め、極めて高いパフォーマ ンスの高速均一化を実現します。 DEEP INSPECTIONの特徴 自信度を付加した判定 継続運用でレベルアップ 既存ラインへ導入可能 過去の結果と比較し自信度を算出。自信度の高い 人が経験を積むように、Deep Learningは学習デー 私たちの製品はパッケージではなく、現在のライ ものは自動検査へ、低いものは人に委ねる仕組み タが増えるほど判定精度が上がります。継続的な ンを生かしたシステムを提案しています。様々な です。低い自信度のものだけ目視検査することで、 運用で経験を積んだAIは、熟練の職人のように 現場に合わせて設計し、長期間の運用とアップグ 確実に負荷を軽減し、精度を飛躍的に高めます。 頼れるシステムになります。 レードを視野に入れた製品を提供しています。 従来の画像検査 Deep Inspectionシステムでの検査例 食品 キズ ホコリ ガラス粉 人間が経験と感覚で行っている目視検査をAIで行う等 表面異常の 歪み・たわみ、光の加減 製品個体差があるものなど 種類や程度の分類 による見え方の変化等 異常箇所の検知例 数値で定義できないものは 汚れ群 検査困難 キズの位置 光加減 サビ群 の差異 キズ群 個体差 検知箇所 Case.1 鏡の表面検査工程 従来のシステム問題点 Ristによるアプローチ 試験結果 画像の色味など数値化→人が閾値を決める 多クラス分類の畳み込みネットワーク(CNN)を使用 従来のシステム精度60% 良品 入力 分類 キズ Ristのシステム ❶ 閾値の設定が困難 歪み ❷ 精度 ほどの対象あり 精度97%を達成60% 独自の「 自信度」 開発 システム全体のスピードと精度をRist Deep Inspection を 向上し、目視検査の負荷を軽減 精度99%以下 精度99%以上 全ライン導入後は検品作業員が 低い自信度のものは 高い自信度のものは 7割削減 従来通り目視検査 自動検査 海外展開を視野に入れ、検査の自 最終的に、検査員が目視で確認 動化により得られたデータから上流 Deep Inspectionの判定自信度 工程の最適化なども目指していく Case.2 領域抽出によるパッケージ検査工程 従来の製品検査機器 Ristによるアプローチ 試験結果 間違えた領域 自動運転や医療に利用されている領域抽出ネットワークを利用 パッケージのある領域をDeep Learningで抽出し、測定 従来の検査機器 Input Convolutional Encoder-Decoder Output 100枚に1枚のエラー Pooling Indices 高 さ Ristのシステム本来検出したい 領域 RGB Image Conv + Batch Normalisation + ReLU Segmentation パッケージのPooling Upsampling Softmax 領域を抽出 幅 10,000枚に1枚のエラー 100倍の精度向上を実現 影・シワ等の影響で測定すべきラインの検出を間違え、 2018年 100枚に1枚程、上記のような正しくないラインを検出 工場での稼働実証実験完了 DEEP INSPECTION
Page2

多品種少量生産に特化した 比較検査ソリューション Deep Learningの運用には膨大な量のデータが必要。多品種少量生産の現場でネックとなるこの 課題をクリアしたのが、Rist独自の比較検査ソリューション・Deep Inspection Collatio。 良品画像をもとに学習を重ね、過検出を抑制して異常のみを検出します。 Deep Inspection COLLATIOの特徴 多品種少量生産に対応 良品画像一枚をマスター登録 既存ラインへ導入可能 するだけで検査可能 Collatioは実用に必要な良品・不良品データが少 私たちの製品はパッケージではなく、現在のライ なくて済むので、一度の生産ロットが少ない、毎 良品のデータが一枚あれば、他の製品からの学習 ンを生かしたシステムを提案しています。様々な 回少しずつ仕様が変わるといった現場にも導入で を応用して実用する事ができます。エラーがあれ 現場に合わせて設計し、長期間の運用とアップグ きます。 ばそのつど学習してさらに運用精度を上げます。 レードを視野に入れた製品を提供しています。 STEP.1 STEP.2 不良エリアの教示 STEP.3 検証~導入へ 同一部品エリアの 正常 異常 良品・不良品のペアを作成 Rist独自の比較ニューラルネットワークを使用し、 良品エリア差分/不良エリア差分の特徴を学習 Case. 比較検査を応用した印刷物の異常検出 プリンターやスキャナーによる微妙な色差や濃淡等の製品に由来する特性の違いと、カスレや汚れ、 キズ等の印刷異常を学習し、検知すべき異常のみを見つけます。 従来のマッチングでは、 印刷異常 過検出となる比較対象で として検出 も異常のみを検出する 微妙な色差・濃淡等 の違いは検出しない DEEP INSPECTION COLLATIO
Page6

モノ・空間の認識、判別を行う3Dデータ解析 肌感覚で対象の的確な把握・分析が可能 分類 Classification 部位の特定 Part Segmentation 空間認識 Semantic Segmentation 3Dオブジェクトを認識・判別する技術。種類判定や、 対象の各部位領域を自動で判別する技術。必要な部品 画像から物体を抽出し、各オブジェクトの境界輪郭線 定性的なランク付け等が行える。 情報等を抜き取ることができる。 を認識する。空撮3D風景データなどから、エリア情報 を解析することができる。 点群データを扱い、認識を行うことのできるR i s t独自のニューラルネットワークを利用 Case.1 自立飛行型ドローンとAIを活用した施工の最適化 発破現場をリアルタイムで“見る”ためのドローンカメラ「B l a s t E y e」と、 熟練者の観察・判断を学習し“現場の良否を判定 ”する「B l a s t A I」を開発。 50 Drone 40 30 20 Blast Eye 10 画像処理 0 発破後のカメラデータ 3次元点群データを生成 Bad Good Very Good Blast Eye Blast AI GPSが受信できない、長い線状の狭隘な連続空間でも 種々の模擬発破飛石形状を学習し、良否を判定 安定した飛行を実現。 不良な発破 100 90 戸田建設㈱と㈱Ristは、山岳トンネルの発破掘削工法 8070 において、発破後の飛石(発破飛石)の形状から次の 良好な発破 60 50 発破パターンを検討するために、従来熟練のトンネル 40 技能者が行っていた発破の良否判定をAIにより自動化 30 Train dataの正答率 不良な発破 20 する「発破良否判定システム:Blast Eye/AI:ブラスト・ Validation dataの正答率10 アイ」を開発しました。 0 1000 2000 3000 4000 5000 学習回数 Case.2 3DレーザーレーダーのAI活用 3D-LiDARによるリアルタイム三次元情報の取得と Deep Learningによる低反射率物体の距離推定 物体認識・行動解析・形状認識技術 3 D - L i D A Rの課題である低反射率物体の距離測定精度を向上 光の飛行時間を測定 学習プロセス 対象物までの距離を算出 ① 実際の車体から得られた距離情報を用意 3次元距離データの生成 ② 低反射物体相当のデータに加工 3D-LiDAR レーダーからのレーザーが測定対象物で反射し、戻ってくるまでの時間差 から距離をリアルタイムで測定し、物体の3次元画像を取得する。 ③ プロセス①/②のデータを元に学習 3Dレーザーレーダーによる動体検知例 歩行者の存在を認識すると同時に、動体ベクトル(移動方向と移動速度)も検知する 予測ステップ 車体の距離情報を補完 https://www.konicaminolta.com/jp-ja/future/3dlr/ https://special.nikkeibp.co.jp/atcl/NBO/16/010500001/ 正答率 (%) DEEP MESH
Page7

Rist MEDICAl RESERCH 医療分野へのDeep Learning技術の応用研究 A Iによる画像網膜剥離判定 国内最大規模の眼科部門である社会医療法人三栄会・ツカザキ病院眼科と提携 A U C 9 8 % し、広角眼底画像を用いたAIによる網膜剥離判定で、AUC98%の精度を達成。を達成 その成果が英国学術誌に掲載されました。 A 非疾患画像 B 疾患画像 Introduction – Tsukazaki ツカザキ病院眼科 201床の小規模急性期病院 AI臨床応用論文 脳外科・心臓血管外科・外科・循環器内科・消化器内科・神経内科・整形外科・ 網膜剥離 緑内障 加齢黄斑変性 黄斑円孔 網膜前膜 CRVO BRVO 増殖糖尿病網膜症 泌尿器科・透析科・眼科/眼科常勤医23名、視能訓練士(常勤)43名 Scientific Reports J. of Glaucoma Int. Ophthalmol. Peer J Int. Ophthalmol. J Ophthalmol. Int. Ophthalmol. Int. Ophthalmol.2017 August 2018 May 2018 June 2018 September 2018 September 2018 October 2018 November 2019 January 2018年 手術件数(注射含む)‒ 10,278件 A Iによる臓器輪郭抽出の 一患者あたり数百枚に及ぶCT・MRI画像の読影は数時間がかりの作業。治療計 自動化研究 画時に、病変と周辺臓器の輪郭をCT画像上に入力していく膨大かつ煩雑な作業を、Deep Learningを応用し自動化しようと試みています。 放射線治療のフロー 京都大学大学院医学研究科 医学物理学分野について 中村光宏 准教授について CT撮影 治療計画  京都大学では、2005年から放射線腫瘍学・画像応用治療学分野におい  京都大学大学院医学研究科にて、放射線治療 て、全国に先駆けて欧米型の医学物理活動が開始しました。その内容は、 の四次元化に関する研究に従事し博士号(医学) 放 基盤・臨床・産学共同研究・OJT形式による臨床研修など多岐に渡ります。 を取得。その後、同大学医学部附属病院 放射線 射 線 2008年からは工学研究科とも連携し、現在も幅広く活動しています。 治療科にて医学物理士として臨床業務に携わると 照 同時に、動体追尾照射の開発及び臨床導入に貢 射 2017年10月から人間健康科学系専攻において医学物理学分野が発足。今 献。2017年10月より京都大学大学院医学研究科 後も引き続き放射線腫瘍学・画像応用治療学分野及び工学研究科と連携 人間健康科学系専攻 医学物理学分野の准教授と しながら、研究・臨床・教育を展開していきます。 なり、後進の育成と研究を推進している。