製造業において、外観検査は製品の品質管理に欠かせないプロセスである。従来は、専門的知見をもつ技術者が目視で不良の有無を確認していた。しかしながら、検査項目の増大や人手不足の深刻化により、この検査工程の自動化がモノづくりの重要な課題となっている。近年では、ディープラーニングのような統計的機械学習に基づく外観検査AIが注目を集めている。このようなデータ駆動的アプローチは、十分な訓練データさえ準備できれば、従来のルールベース的な手法と比べ、より柔軟で例外に強い 自動外観検査の実現が期待できる。
　本セミナーでは、外観検査AIの導入に関心を抱いている技術者や管理責任者を対象とし、外観検査AIの概要、技術的背景、技術動向、導入の際に考慮すべき困難性などについて概説する。また、画像からの異常検出技術の研究開発に用いられるベンチマークデータや、近年提案されている代表的な外観検査AIモデルについて紹介する。最後、GoogleColabでPaDiMと呼ばれる画像の異常検出モデルを走らせる演習課題を提供する。

1. 外観検査AIの概要:何が期待できるか?
   1. ルールベースの自動外観検査技術
   2. AIによる自動外観検査
   3. 自動外観検査タスクの例1:Defect Detection
   4. 自動外観検査タスクの例2:Anomaly Classification
   5. 自動外観検査タスクの例3:Anomaly Localization
2. ベンチマークデータの例 (実データ)
   1. MVTec AD dataset
   2. BTAD (beanTech Anomaly Detection) dataset
   3. MVTec LOCO AD dataset
   4. VisA dataset
   5. Severstal:Steel Defect Detection dataset
   6. PlantVillage dataset
3. 自動外観検査を困難にする要因
   1. 訓練データの不均衡性
   2. 不良モードの多様性
   3. 基準の設定が困難な不良
      • 欠損異常
      • テクスチャの異常
      • 概念的異常
4. 外観検査に関連が深いAIの概念
   1. 教師あり学習
   2. 教師なし学習
   3. 限られた訓練データからの学習
      1. 半教師あり学習
      2. 弱教師あり学習
      3. 転移学習
      4. 継続学習
5. 外観検査AIの技術例
   1. 教師なし学習に基づく外観検査AI
      1. Feature Embedding based Methods
      2. Reconstruction based Methods
   2. Feature Embeddingに基づく手法の例
      1. Teacher-Student Architecture
      2. One-Class Classification
      3. Distribution Map
      4. Memory Bank
   3. Reconstructionに基づく手法の例
      1. Reconstruction
         • Autoencoder
         • GANomaly
         • InTra
      2. Denoising
         • denoising ED
         • DRAEM
         • DiffusionAD
      3. Inpainting
         • Transfomer
         • GL-CANomaly
      4. Colorization
6. 社会実装や長期運用に向けた課題
   1. Dataset Drift, Domain Shift
   2. Conceptual Drift
   3. 新規性や外れ値の検出
   4. 解釈性の問題
7. 演習課題