
多くの工場には良品の画像が大量にある一方、不良品の画像はごくわずかです。異常検知はこれを強みに変えます。モデルが「良品」の見た目を学習し、それに当てはまらないものを検出するため、あらゆる不良について何百もの例を集めてラベル付けしなくても検査を始められます。
不良データの課題
従来の教師あり深層学習では、キズ、へこみ、部品欠品、ラベル違いなど、不良の種類ごとにラベル付きの例が必要です。管理の行き届いたラインでは不良がまれなため、十分な例を集めるには数週間から数か月かかることもあります。まだ一度も発生していない不良もあり得るため、既知の不良だけで学習したモデルにそれを検出することは期待できません。
異常検知の仕組み
- 良品画像を集める:品質検査に合格した部品を、本番と同じカメラ、レンズ、照明で撮像します。
- 正常な外観を学習する:モデルは、通常のばらつきも含めて、良品がどのように見えるかの表現を構築します。
- 新しい部品をスコア化する:新しい画像を、学習した正常状態と比較します。異なる領域には高い異常スコアが付きます。
- しきい値を設定する:しきい値を超えた部品を不良として検出します。しきい値は検証データで調整し、良品を排出せずに実際の不良を確実に捉えられるようにします。
- 位置を特定する:多くの手法では、部品上のどこに異常があるかを示すヒートマップも出力されるため、作業者が排出判定をすばやく確認できます。
効果を発揮する場面
- まれな不良や予測できない不良:異物混入、想定外の損傷、誰も例を集めようと考えなかった一度きりの工程異常。
- 新しいラインや新製品:良品が手に入りしだい検査を開始できます。
- 多品種生産:製品バリエーションごとに、良品画像から学習した独自の「良品」モデルを持たせます。
- 外観が安定した部品:ラベル、包装、機械加工品、プレス部品など、良品同士の見た目がよく似ているもの。
注意すべき点
- 自然なばらつき:木目、鋳物、食品などは個体ごとのばらつきが大きくなります。良品画像のセットがそのばらつきを網羅していないと、正常な部品まで不良として検出されてしまいます。
- 撮像条件の変化:カメラの位置ずれ、照明の減光、背景の変更があると「正常」の見え方が変わります。撮像条件を安定させるか、変更時に再学習してください。
- 不良のグレード分け:異常検知が示すのは「これは違う」ということであり、「これはグレードBのキズ」ではありません。不良をクラス別に分類する必要がある場合は、教師ありの工程を上に追加してください。
- しきい値の調整:しきい値が厳しすぎると過検出(良品の誤排出)が増え、緩すぎると小さな不良が見逃されます。稼働前に実際の生産で検証してください。
異常検知と教師あり分類の比較
| 異常検知 | 教師あり分類 | |
|---|---|---|
| 学習データ | 良品画像のみ | 不良クラスごとのラベル付きの例 |
| 未知の不良の検出 | 可能(良品と見た目が異なる場合) | 学習済みの不良に似たものだけ |
| 最初のモデルまでの期間 | 短い:良品画像がそろいしだい | 長い:不良例の収集状況に左右される |
| 出力 | 合否、異常スコア、位置 | 不良クラスと信頼度 |
| 適した用途 | 外観が安定した部品のあらゆる逸脱の検出 | 既知の不良の種類の仕分けとグレード分け |
多くのラインでは両方を併用しています。異常検知で異常をすべて捉え、個別に報告が必要な不良の種類には分類器を使います。
導入前の実践チェックリスト
- まずカメラの位置、レンズ、照明を固定します。モデルが学習できるのは、画像に一貫して写っているものだけです。
- シフト、バッチ、材料ロットをまたいで良品画像を集め、通常のばらつきが反映されるようにします。
- しきい値の検証用に、少数でもよいので既知の不良品のセットを用意します。
- システムに部品を排出させる前に、現在の検査と並行して運用します。
- 排出信号をラインへ伝える方法(通常はPLC経由)を計画します。
DeepVisionにおける異常検知の活用
DeepVisionは異常検知を基盤としています。不良のラベル付けなしに、わずか200枚の良品画像から学習でき、ライン横のエッジコンピューターで稼働し、合否をSiemens、Allen-Bradley、三菱電機のPLCへ送ります。日用品・消費財(FMCG)の包装ラインでは、ラベル不良を100万個あたり9,400から1,150へ削減し、7日目に稼働しました。詳しくは導入事例、精度測定方法、PLC連携をご覧ください。
よくあるご質問
異常検知には良品画像が何枚必要ですか?
良品のばらつきの大きさによります。外観が安定した部品なら少ない枚数で済み、自然なばらつきがある部品にはより多くの枚数が必要です。DeepVisionは、わずか200枚の良品画像から始められます。
異常検知は、一度も見たことのない不良を見つけられますか?
はい。不良によって部品の見た目が、学習した良品と異なっていれば検出できます。これが教師ありモデルに対する最大の利点です。
欠陥分類の代わりになりますか?
必ずしもそうではありません。異常検知が示すのは、部品が異常であることとその位置です。不良を名前の付いた種類に分類する必要がある場合は、教師あり分類器と組み合わせてください。