it21​/public​/proceedings​/202002

IT21の会 第250回(令和2年2月度)例会議事録

日時：2020年2月7日(金) 18:30-20:00
場所：東京ウィメンズプラザ　視聴覚室
参加者：28名(講師含む)
配布資料：
  IT21-2002-0 CPD行事参加票
  IT21-2002-1 メインテーマ資料「正常以外を漏れなく検出するAI検査アプリケーション」

議事：
 18:30-18:35 会長挨拶、初参加の方の自己紹介
 18:35-19:50 メインテーマ講演
 19:50-20:00 連絡事項、今後の予定等

概要：
1.会長挨拶、初参加の方の自己紹介
・会長挨拶
・初参加のご挨拶 4名

2.メインテーマ講演と質疑応答
メインテーマタイトル：「正常以外を漏れなく検出するAI検査アプリケーション」
講師：㈱アダコテック　池田満広氏　伊部卓秀氏　佐藤光弘氏

2.1 Overview
(1)株式会社アダコテックの概要について
・2012年創業。
・プロパー6名、全従業員26名。
・産総研の特許に基づくソフトウェアの開発、販売を手掛ける。
・4種のインプットデータ(静止画、動画、音、センサー)に対応したライブラリをリリース。
・装置の異常検知、製品の外観検査、ロボット・生産機械の動作モニタリングなど製造業を中心に採用。

2.2 The Problem
・目視検査は難しく、属人的で五感に頼った官能検査が主流となっている。
・検査を取り巻く社会問題として、圧倒的な人手不足や人為的なミスなどで不適切検査が発生。
・世の中ではAIを活用して対応しようとすることが多いが、ディープラーニングが全てではない。
・ディープラーニングでは、以下のような課題がある。
①正確性：見逃し0%がロジカルに達成できない、どういうステップをとれば0%になるか分からない。
②学習の即時性：大量の正常・異常のデータが必要でGPUをブン回し数時間、数日所要。
③説明性：何故それが正常と判断されたのか分からない、そのためPDCAが回せない。

2.3 Our Product
・産総研で発明された「適応学習型汎用認識方式」を利用してディープラーニングの課題を解決した検査アプリケーションを提供。
①正確性：見逃し0%を達成。
②学習の即時性：正常データのみで汎用のPCを利用して短時間で学習可能。
③説明性：線形で計算しているので異常理由がわ分かる。
・ディープラーニングとの比較
 ディープラーニング(ABEJA)：学習用画像データ 86,000枚、見逃し 2.3%。
 アダコテック：学習用画像データ 200枚、見逃し0%、結果の理由も見られる。
・「適応学習型汎用認識方式」とは対象や目的に依存しない汎用的な画像認識法。
・汎用的な特徴量抽出手段としてHLAC、CHLACを用いる。
・汎用的であるための要件は以下の通り。
①位置不変性：対象Xの位置が変わっても対象Xと判別できる。
②画面加法性：対象Xと対象Yがそれぞれが一つの画面にあっても各々を判別できる。
③適応学習性：初期特徴量を学習的なアプローチで新特徴量に変換。
・適応学習型汎用認識方式の全体のイメージとしては、入力画像からHLACで初期特徴量抽出し、重回帰分析/部分空間法/判別分析で新特徴量抽出して出力する。
・産総研特許技術HLAC(高次局所自己相関特徴)とは、時系列解析分野で用いられている自己相関関数を高次に拡張したN次自己相関関数がパターン認識応用の性質があり、これを局所変位に限定することにより非線形特徴が抽出される25のマスクパターンで特徴抽出する。
・正常サンプルの分布を表現するモデルを学習することで、正常モデルとの乖離が大きいものを異常(「いつもと違う」)と検知することで、不良サンプルが不要な学習方式。
・ディープラーニングとの比較(H:HLAC1、D:DeepLearning)
 サンプル数：(H)数10～数100個、(D)10,000個以上
 サンプル種類：(H)正常品のみ、(D)正常品と異常品
 学習の所要時間：(H)数秒～数分、(D)数時間～数日
 正確性：(H)見逃しゼロ、(D)見逃しゼロは非常に難しい
 必要なCPU:(H)汎用PC(10万円)、(D)GPU(数百万円)
 説明性：(H)異常と判断した原因を説明できる、(D)ブラックボックス
 実績：(H)Tier1自動車部品会社でライン導入、(D)公表されたライン導入事例なし

2.4 AdaInspector Demo
・学習および検査の流れは以下の通り。
①学習フェーズ
1)正常画像をフィルターで画像前処理。
2)HLAC計算。
3)主成分分析でモデル作成。
②検査フェーズ
1)画像前処理+HLAC処理。
2)正常部分空間と比較し正常/異常を判定。
3)結果出力
・皮革製品のキズの検出
①200枚程の画像を1分以内で学習完了。
②閾値の設定。
③キズの部分を赤くマーキング。
・動画映像への適用の場合は、　静止画向けのマスクパターンを時間方向に拡張し3x3x3のマスクパターンで251次元特徴量となる。
・対象の形状のほかに速度や加速度を特徴表現することで、動きの解析を実現する。
・低照度環境で人の右から左への動きを検知するデモ。
・音(周波数成分)への適用では音データをフーリエ変換し周波数の時間変化を特徴化。
・CD音源の圧縮率違いを定量化するデモ。

2.5 導入事例
・生産ラインの導入事例
①自動車部品製造:エンジン部品の外観検査(部品取り付け、打痕、油付着等)
②自動車部品製造:プレス機のワークセット状態の異常検知
・業務例
①三井E&Sマシナリ：新幹線トンネルの非破壊検査としてレーダ探索収集データからの異常検知に利用。
②セキュリティ会社：商業施設、鉄道インフラの監視に利用。

2.6 ユースケース
・外観検査活用例
①組立品の外観検査：ルールベースではできない画面全体の中でのいつもと違う何かにアラートをあげる。
②部品の欠陥検査：OK品のレベルが判るので部品の選別が可能。NG品のデータのフィードバックが可能。
③部品の異音検査：静止画、動画では判断できない場合に別の方法でアプローチする。
④医薬品の外観検査：ルールベースで対応できない、いつもと違うものを見つける外観検査。
⑤医薬品製造設備・装置の検査：より安全に作るための検査。
・異常検知活用例
①切削時の異常検知：動画、静止画などで監視し、異常があれば装置へフィードバック。
②プレス機の異常検知：動画で異常を検知。軽いロジックであるため高速(msec単位)で学習し出力が可能。
③設備の異常検知：多量のデータから、いつもと違う何かを見える化。

2.7 ロードマップ
・現状はソフトウェアライブラリを提供。
・今後はクラウド化を目指す。
・ファーストステップは静止画をクラウドサービス化する。
・クラウドサービス化により、高度な識別、モデル精度向上でスピードが落ちるのを防ぐため。
・構想ではモデルを作成する処理でクラウドサービスを活用し、作成したモデルを現場のPCで用いることを想定。
・次のステップでは、動画・センサー・音のクラウドサービス化。
・最終的には、Inspection as a Serviceとしてトータル検査ソリューションを提供する。

2.8 質疑応答
Q1. 動画で不特定多数の人の識別が可能か？またそれはノーマライズされているのか？また、結果ビューのサンプルはないか？
A1. 不特定多数の認識は難しいです。目的や用途が限定的であれば認識はできます。また、結果ビューは現在お見せできるものとして本講演で示したデモ画面のサンプルくらい。

Q2. デメリットはないのか？
A2. ビッグデータ解析には向かない。異常の理由が知りたい、いつ出るともわからない異常を検知するというニーズに対しルールベース、ディープラーニングとの補完し合うことを考えている。また、コスト競争力があるものと考えている。

Q3. 元のデータの順番を入れ替えたらどうなるのか？"ネコ"と"ニワトリ"が重なっていたらどうなのか？
A3. 順番を入れ替えても認識する。"ネコ"が"ニワトリ"に隠れていると認識できないが、多少の重なりであれば学習する数により認識可能。

Q4. トンネル検査は画像判別か赤外線検査か？建設関連はプレキャストなどのモジュール製品で一部が異なる製品をパターンとして認識可能か？天気予報は無理と思うが構造物の劣化検知などは可能か？

A4. トンネルはレーダで取得したデータそのものを検査に利用している。これは他の構造物にも使える。工場の出荷前のプレキャスト品検査には向いている。パターン混ぜこぜでも振れ幅の広い結果で良いならば対応可。使いどころに特化すれば使い道はある。構造物の劣化検知には向いているが、天気予報のようなものには不向きである。

Q5. 中小企業でも導入しようとした場合の導入コストは？
A5. 現在はライブラリの提供までなので、実施するためにカメラ、照明などを顧客側で準備しなくてはならない。大企業はこれらを準備しやすいため導入が進んでおり、ハードウェアさえ準備すれば導入可能。コストパフォーマンスもあるが、サービスに価値を見出してもらえるように提供していきたい。

Q6. フィールドにおける動画のロバスト性に対し、どの程度のリクエストが必要か？完成度が高いと思われるが技術的課題はないのか？
A6. クルマのヘッドライト、朝日、雪などに対して全てOKとは言えない。しかし、画角内の侵入ベクトルを持った動きによる異常値の高まりを、可視化して見せることによってロバストである(実績ある)。
お客様が間違えないUIであるとか、職人がいなくては展開できない点の対応等やるべきこと多い。技術的にもパラメータのレコメンデーション機能あるも、プリセットパラメータのみのためブレークスルーが必要。

3.連絡事項
(1)3月例会にて臨時総会を開催し以下の審議予定
①役員選挙細則の変更について
③非会員の会費徴収に関する細則の変更
現在いただいた意見について役員で検討しており、2月25日の週に返答を予定。
他にご意見あればMLにてお願いします
(2)春原様より芝浦工業大学CPDフォーラム開催のご案内
2020年2年3月7日午前中にJAXA久保田先生による月面探査機ローバーについてのご講演を予定。
申し込みは芝浦工業大学サイトにてお願いします。

以上
(議事録担当 對馬一昭)