Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Speaker Deck
PRO
Sign in
Sign up for free
外観検査の難しさ
OHNO
November 16, 2021
Research
0
160
外観検査の難しさ
OHNO
November 16, 2021
Tweet
Share
More Decks by OHNO
See All by OHNO
儲かるPython
planeta
0
160
画像処理ライブラリOpenCVの使い方0910
planeta
0
730
Pythonによる工業用カメラ画像取得事例
planeta
0
540
画像処理ライブラリOpenCVの使い方
planeta
0
440
SONYのNNC
planeta
0
260
機械学習による動作認識
planeta
0
440
画像類似度計算
planeta
0
1k
Tensorflow/Keras(Python)で作ったモデルをC++で使う
planeta
0
890
Other Decks in Research
See All in Research
Generating a Pairwise Dataset for Click-through Rate Prediction of News Articles Considering Positions and Contents
upura
0
140
Survey
takumikato
0
340
AIOps研究録―SREのための システム障害の自動原因診断 / SRE NEXT 2022
yuukit
7
6.3k
組込み向けROS 2ノード実行環境の定量的評価 [ROBOMECH2022再演+α]
takasehideki
0
330
深層学習を用いた三次元点群処理入門
nnchiba
6
3.8k
データサイエンティストと博士の専門性
mtakano
1
220
大学研究者による事業提案制度(大学提案) 募集概要
tocho_zaiseika
0
7.1k
意思決定を最大化するための”ループ”とループを回すための”施策”
masadooon
0
900
機械学習における反実仮想説明を生成するライブラリ“DiCE”
daikikatsuragawa
0
110
Collaborative editing through a databases lens
ept
0
580
みらい健康手帳アプリで健康寿命を延伸する試み
isabisi1484
0
200
熊本都市交通リノベーション / 日本の公共交通 が ICT を真に活かすには 【 前編 】JCoMaaS 2022年3月研究会 ゲスト講演
trafficbrain
0
230
Featured
See All Featured
The Pragmatic Product Professional
lauravandoore
19
3.1k
Fontdeck: Realign not Redesign
paulrobertlloyd
73
4.1k
Web Components: a chance to create the future
zenorocha
303
40k
Music & Morning Musume
bryan
35
4.3k
The Web Native Designer (August 2011)
paulrobertlloyd
75
2k
How to train your dragon (web standard)
notwaldorf
60
3.9k
The Illustrated Children's Guide to Kubernetes
chrisshort
18
40k
What's in a price? How to price your products and services
michaelherold
229
9.4k
Streamline your AJAX requests with AmplifyJS and jQuery
dougneiner
127
8.5k
Designing on Purpose - Digital PM Summit 2013
jponch
106
5.7k
Cheating the UX When There Is Nothing More to Optimize - PixelPioneers
stephaniewalter
269
12k
Scaling GitHub
holman
451
140k
Transcript
外観検査の難しさ 大野 宏 Python機械学習勉強会in新潟 2021/11/14
本日の概要 ・外観検査は認識率100%を求められるので難しい ・運用方法で工夫する ・Attention Branch Network (ABN)で認識率の向上 ・良品画像だけの学習で不良品を検査 オートエンコーダ GAN
ディープラーニングを使った外観検査 ・良品と不良品の画像を集めてネットワークを学習させる。 ・学習データにないパターンの不良品は検出できないこと がある。 不良パターンを予測しその画像を作り学習データとする。 運用しながら不良品の画像を集めて再学習させる。 → 再学習しても不良と判定するとは限らない ・99%の検査装置はできるが、100%は難しいのでどう 運用するか。
混同行列による評価1 予測 良品 不良品 実際 良品 95 0 不良品 0
5 ・混同行列とは、2値分類問題で実際の良・不良と予想し た良・不良を表したもの ・理想的な検査装置は認識率100% ・正確さは、(良品を良品と予測+不良品を不良品と予測) /(全数)=(95+5)/100=100%
混同行列による評価2 予測 良品 不良品 実際 良品 92 3 不良品 1
4 ・不良品を良品と予測したものがあると、不良品を出荷し てしまう。 ・偽陽性率は、不良品のうち良品と予測された割合は、 1/(1+4)=25% ・正確さは、(92+4)/100=96%
混同行列による評価3 予測 良品 不良品 実際 良品 90 5 不良品 0
5 ・不良品を良品と予測したものがゼロであれば、不良品と 予測した10個を再度目視検査すればよい。 ・目視検査数が100個から10個に減る ・偽陽性率は、0/(0+5)=0% ・正確さは、 (90+5)/100=95%
アテンション・ブランチ・ネットワーク1 ・誤認識したサンプルを正しく認識できるようにしたい ・誤認識したサンプルを学習に追加 → 正しく認識できるとは限らない ・ネットワークのパラメータを正しく認識できるように調整 すればいいが、数が膨大なのでどうしたら良いか? ・Attention Branch Network
(ABN)を使い手動でパラメー タを調整(中部大の山下研が提案) ・もともと視覚的説明による注視領域の可視化と精度向上 を同時に行うネットワーク、Grad-CAMより高性能
アテンション・ブランチ・ネットワーク2 ・Feature Extractor の後ろに Attenstion Branch と Perception Branch をつなぎ、両者の誤差で学習
http://mprg.jp/research/abn_j (中部大のABNの紹介)
アテンション・ブランチ・ネットワーク3
GitHubにて公開
オートエンコーダ ・不良品画像の収集が難しい場合に有効。 ・入力画像と出力画像が同じになるよう学習させる。 ・エンコーダで圧縮してデコーダで復元する。 エンコーダ (圧縮) デコーダ (復元) 入力 出力
圧縮され た特徴 (潜在変数)
良品画像だけから不良品を判別1 ・オートエンコーダは真似が得意で、良品画像を入力すると ほぼ同じ画像が出力される。 ・不良品画像では学習していないので、入力と出力の差が 大きくなる ・ラベル付けやアノテーションが不要 オート エンコーダ
入力 出力 良品画像だけから不良品を判別2 ・手書き数字で学習したオートエンコーダにひらがなを入力 すると、入出力に差が生じる。差が大きいと不良品と判定。 ・ただし出力画像がぼけてしまう。
入力 出力 画像のぼけを防ぐオートエンコーダ ・正常データだけでAEベースのモデル学習を行った後、推 論時に損失関数の勾配を利用し、AEによって得られた正 常データの多様体の最も近い所にマッピングされるように ICLR2020の異常検知論文を実装してみた https://qiita.com/kogepan102/items/122b2862ad5a51180656
MVTEC AD ・色々な工業製品の画像データ集 ・MVTECはドイツの画像処理メーカ、HALCONが有名 https://www.mvtec.com/company/research/datasets/mvtec-ad
GAN(Generative Adversarial Network) ・生成器と識別器が競い合って画像を生成するGANを 使い、良品画像だけから不良品を判別する。 16
AnoGAN ・GANでは画像のもととなる潜在変数を想定しており、こ れから学習に使う正常画像を生成する生成器を学習。 ・zの探索に時間がかかる。これも学習で→EfficientGAN 17 z G(z) x’ D(x’,x) x
Generator Discriminator
EfficientGAN 18 良品 不良品 出典:GANディープラーニング実装ハンドブック (秀和システム)
まとめ ・外観検査では混同行列で評価 ・Attention Branch Network (ABN)で認識率が向上 ・良品画像だけの学習で不良品を検出 オートエンコーダ GAN