Tensorflowで異常検知 （Tensorflowで学習したモデルをＣで実行） 大野 宏

・Tensorflowで異常検知 ＲＮＮで値を予測し実測値と大幅に違う時を異常値とする ・Tensorflowで学習したモデルをCで実行 ① KerasでＭＮＩＳＴ（手書き数字）を学習させたモデルを ② Tensorflow形式に変換 ③ Ｃで認識を実行 ・県内企業の取り組み 発表内容

・例えばドリルを使った加工機の異常を調べる ① 振動を周波数に変換（FFT)し、正常時と違う周波数 パターンが発生した時を異常とする ② 正常時の振動を多数測定しておき値を予測 実測値と予測値を比較し、大幅に違う時を異常とする ・例題は電力消費量からＲＮＮで値を予測し、実測値と比較 して大幅に違う時を異常とする [出典]直感Deep Learning Python×Kerasでアイデアを形にするレシピ （オライリージャパン） 異常検知の方法

再帰型ニューラルネットワーク ・中間層で自分自身に再帰する経路を持つ ・入力層→中間層→出力層の経路は通常の ニューラルネットワークと同じ 入力層 中間層 出力層 （Recurrent Neural Networks）

・電力消費量 https://archives.ics.uci.edu/ml/machine-learning-databases/ 000321/LD2011_2014.txt.zip データの準備

from __future__ import division, print_function import os import re import matplotlib.pyplot as plt import numpy as np DATA_DIR = "./data" with open(os.path.join(DATA_DIR, "LD2011_2014.txt"), "r") as fld: data = [] cid = 250 for line_num, line in enumerate(fld): if line.startswith("¥"¥";"): continue if line_num % 100 == 0: print("{:d} lines read".format(line_num)) cols = [float(re.sub(",", ".", x)) for x in line.strip().split(";")[1:]] data.append(cols[cid]) NUM_ENTRIES = 1000 plt.plot(range(NUM_ENTRIES), data[0:NUM_ENTRIES]) plt.ylabel("electricity consumption") plt.xlabel("time (1pt = 15 mins)") plt.show() np.save(os.path.join(DATA_DIR, "LD_250.npy"), np.array(data)) データ準備のプログラム

from __future__ import division, print_function import math import os import numpy as np from keras.layers import Dense, LSTM from keras.models import Sequential from sklearn.preprocessing import MinMaxScaler DATA_DIR = "./data" data = np.load(os.path.join(DATA_DIR, "LD_250.npy")) NUM_TIMESTEPS = 20 HIDDEN_SIZE = 10 BATCH_SIZE = 96 # 24 hours (15 min intervals) NUM_EPOCHS = 5 # scale the data to be in the range (0, 1) data = data.reshape(-1, 1) scaler = MinMaxScaler(feature_range=(0, 1), copy=False) data = scaler.fit_transform(data) # transform to 4 inputs -> 1 label format X = np.zeros((data.shape[0], NUM_TIMESTEPS)) Y = np.zeros((data.shape[0], 1)) for i in range(len(data) - NUM_TIMESTEPS - 1): X[i] = data[i:i + NUM_TIMESTEPS].T Y[i] = data[i + NUM_TIMESTEPS + 1] 予想値の算出プログラム１

X = np.expand_dims(X, axis=2) sp = int(0.7 * len(data)) Xtrain, Xtest, Ytrain, Ytest = X[0:sp], X[sp:], Y[0:sp], Y[sp:] print(Xtrain.shape, Xtest.shape, Ytrain.shape, Ytest.shape) model = Sequential() model.add(LSTM(HIDDEN_SIZE, stateful=True,batch_input_shape=(BATCH_SIZE, NUM_TIMESTEPS, 1),return_sequences=False)) model.add(Dense(1)) model.compile(loss="mean_squared_error", optimizer="adam",metrics=["mean_squared_error"]) train_size = (Xtrain.shape[0] // BATCH_SIZE) * BATCH_SIZE test_size = (Xtest.shape[0] // BATCH_SIZE) * BATCH_SIZE Xtrain, Ytrain = Xtrain[0:train_size], Ytrain[0:train_size] Xtest, Ytest = Xtest[0:test_size], Ytest[0:test_size] print(Xtrain.shape, Xtest.shape, Ytrain.shape, Ytest.shape) for i in range(NUM_EPOCHS): print("Epoch {:d}/{:d}".format(i+1, NUM_EPOCHS)) model.fit(Xtrain, Ytrain, batch_size=BATCH_SIZE, epochs=1,validation_data=(Xtest, Ytest),shuffle=False) model.reset_states() score, _ = model.evaluate(Xtest, Ytest, batch_size=BATCH_SIZE) rmse = math.sqrt(score) print("¥nMSE: {:.3f}, RMSE: {:.3f}".format(score, rmse)) 予想値の算出プログラム２

・予想値と実測値が大きく異なる時を異常と判定 異常値の検出 実測値 予測値

・予想値と実測値の差分を求め、閾値を超えると異常 異常値の検出 閾値 差分

時系列データの予測（回帰） ・過去の気温と電力量を学習し、気温から電力量を予測 https://qiita.com/mix_dvd/items/ecfa6f0038e39cdce57e 日時 実際の電力量 予想電力量

なぜTensorflowのモデルをCで認識 ・処理速度が速い？ C++でも学習可能 ・製造ラインにカメラを設置して使う場合、メーカの提供する 開発環境がC++（C#）なので親和性が良い ・並列処理も容易 画像を取得しながら認識

キューピーの不良品検出 ・キューピー（株）が（株）ブレインパッドと共同開発 ダイスポテトの不良品を検出してエアで排出 https://tech.nikkeibp.co.jp/atcl/nxt/mag/nc/18/051600049/051600001/

CでTensorflowモデルを認識する方法 ① OpenCV（画像処理ライブラリ）のサンプルを使う ② Tensorflow for C のソースコードをダウンロードし、 一からコンパイルして使う 不必要なプログラムを削ぎ落す ③ Tensorflow を C で使えるAPIの利用

OpenCVを使う方法 ・OpenCV3.4.0のサンプルを使う C:¥opencv3¥sources¥samples¥dnn （Pythonのプログラムがあるものも） caffe googlenet faster_rcnn fcn_semsegm restnet_ssd_face squeezenet_halide ssd_mobilenet_object_detection ssd_object_detection tf_inception torch_enet yolo_object_detection → CPUプログラムなので毎秒３フレーム https://iwaki2009.blogspot.com/2017/10/opencv-dnn-inception-i-classified.html OpenCVのバージョンが異なる とサンプルプログラムも一部異 なる

tf_inception ・学習済のモデルinceptionを利用 Googleが開発したinceptionモジュールを使ったモデル 2014年の画像認識コンペで優勝

Ttensorflow for C を使う ・Googleのホームページからソースコードをダウンロードし 一からコンパイル（ただし時間がかかる） ・Cmake で Visual Studio 用のプロジェクトを作成 ・サンプルプログラムあり 画像認識 音声認識 一般物体検出（複数のものを認識して領域を表示） アンドロイドでTensorflow https://iwaki2009.blogspot.com/2017/10/opencv-dnn-inception-i-classified.html

①KerasでMNIST認識モデルを作りPythonで使用 ②Tensorflowモデルに変換してPythonで使用(Windows,Linux） ③Tensorflowモデルに変換してCで使用(Windows,Linux） ④Tensorflow Liteモデルに変換してPythonで使用(Windows,Linux） ⑤Tensorflow Liteモデルに変換してCで使用（Linux） ⑥Tensorflow Liteモデルに変換してC++で使用（Raspberry Pi） 「DeepLearningアプリケーション開発」で検索 https://qiita.com/take-iwiw/items/796ec8560563625ace34 C の API の利用

開発環境 ・OS : windows10（Ubuntu 16.04でも可） ・GPU : NVIDIA GeForce GTX 1060 (無くてもOK） ・Anaconda3 (3.6.4） ・Tensorflow 1.12.0 ・Visual Studio 2105 ・仮想環境 conda create –n tf_test activaｔe tf_test conda install tensorflow-gpu==1.12.0

仮想環境 ・Anacondaプロンプトを起動 仮想環境を作る conda create –n tf_test 仮想環境を削除 conda remove –n tf_test --all 仮想環境を起動 activate tf_test → プロンプトが変わる 通常時は インストールする conda install tensorflow-gpu==1.12.0 一覧を見る conda list 仮想環境を抜ける deactivate tf_test 環境名 なんでもよい

実際の手順 ①KerasでMNISTを学習し、モデル作成して保存する モデルは *.h5 で保存する ②KerasのモデルをTensorflowのモデルに変換して保存 *.h5 → *.pb ③ *.pb を読び出して画像を認識する（０～９）プログラム をCで作成する ・ソースコードとサンプル入力画像 https://github.com/iwatake2222/CNN_NumberDetector/tree/ master/03_Tensorflow_C

Kerasで学習しモデルを保存 ・KerasでMNISTを学習し、モデルを作成して保存する [ConvMnist.pyの一部を抜粋] input = Input(shape=(28,28,1)) conv1 = Conv2D(filters=8,kernel_size=(3,3),strides=(1,1),padding='same', activation='relu')(input) pool1 = MaxPooling2D(pool_size=(2,2))(conv1) conv2 = Conv2D(filters=4,kernel_size=(3,3),strides=(1,1),padding='same', activation='relu')(pool1) dropout1 = Dropout(0.2)(conv2) flatten1 = Flatten()(dropout1) output = Dense(units=10, activation='softmax')(flatten1)

Kerasで学習したモデルで認識 ・Kerasのモデルで数字の認識 [Number_detector.pyの一部を抜粋] import cv2 from ConvMnist import ConvMnist if __name__ == '__main__': conv_mnist = ConvMnist(filename='conv_mnist.h5') img = cv2.imread('resource/4.jpg') cv2.imshow('image', img) img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) img = cv2.resize(img, (28, 28)) img = 255 - img result, score = conv_mnist.predict(img) print("predicted number is {} [{:.2f}]".format(result, score)) cv2.waitKey(0) cv2.destroyAllWindows()

Tensorflow形式に変換 ・Keras用モデル(*.h5)をTensorflow用モデル(*.pb)に変換 ・Tensorflow用モデル(*.pb)で数字の認識 ・より簡単な方法で、*.h5 → *.pb

Cで認識 ・ＣでTensorflow用モデル(*.pb)を呼び出し認識 ・Tensorflow for C ライブラリの用意 ① ビルド済みのライブラリをダウンロードする https://www.tensorflow.org/install/lang_c ② 自分でビルドする https://github.com/tensorflow/tensorflow/blob/master/tensorflow/ tools/lib_package/README.md 拡張命令を使用できるが、時間がかかる I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2

プロジェクトの構成 ├libtensorflow/ │ └libtensorflow-cpu-windows-x86_64-1.12.0/ │ ├include/tensorflow/c/c_api.h │ └lib/tensorflow.dll, tensorflow.lib ├build/ Vsiual Studio 2015 のプロジェクトファイル ├resource/ │ ├0.jpg, 1.jpg, 2.jpg, 3.jpg, ・・・・ │ └conv_mnist.pb ├CMakeLists.txt ├main.cpp └tf_utils.cpp,h https://github.com/iwatake2222/ CNN_NumberDetector/tree/ master/03_Tensorflow_C https://storage.googleapis.com/tens orflow/libtensorflow/libtensorflow- cpu-windows-x86_64-1.12.0.zip

CMakeでプロジェクトの作成

注意点 ・Tensorflow（Python）とTensorflow（C）のバージョンを 合わせる ・ Tensorflow（Python）のモデルの入出力名と Tensorflow（C）のモデル設定の入出力名を合わせる input_1 dense_1/Softmax Layer (type) Output Shape Param # ================================================================= input_1 (InputLayer) (None, 28, 28, 1) 0 _________________________________________________________________ conv2d_1 (Conv2D) (None, 28, 28, 8) 80 _________________________________________________________________ max_pooling2d_1 (MaxPooling2 (None, 14, 14, 8) 0 _________________________________________________________________ conv2d_2 (Conv2D) (None, 14, 14, 4) 292 _________________________________________________________________ dropout_1 (Dropout) (None, 14, 14, 4) 0 _________________________________________________________________ flatten_1 (Flatten) (None, 784) 0 _________________________________________________________________ dense_1 (Dense) (None, 10) 7850 =================================================================

実行速度の比較 ・③のAPIを使う方法は、Tensorflow（Python版）と、認識 の実行速度は変わらない ・初期設定やPRINT文による表示はCの方が高速 ・②のソースからコンパイルする方法が少し速くなる？ ・ Tensorflow（Python版）のGPUの有無で実行速度を比較 すると、ネットワークモデルが軽量な場合はGPU無（CPU だけ）の方が速い ・ Tensorflow（C版） でのGPU有では試していない

県内企業の状況 ・福田道路（ＮＥＣ） 道路診断 ・パナソニック ＬＥＤ電灯の外観検査 ・システムスクエア Ｘ線検査装置 ・オーエム製作所 切り粉の判別 ・山口製作所 部品のピッキングシステム ・カワイ精工 チャットボット ・メビウス 錦鯉の識別 ・アイビーシステム 館内行動予測