ここ数年、AI (人工知能) の応用が急速に進展しています。劇的な認識率の向上をもたらしAI分野を発展させたのが、「Deep Learning (深層学習) 」のアルゴリズムであり、実装が容易なライブラリの登場により、画像認識を中心に利用例が報告されています。
　かたや、製造現場ではAI外観検査 (画像識別) を中心に導入プロジェクトが立ち上がっていますが、狙った識別精度が得られず、導入に至らない例が聞かれます。画像データの前処理にかかる負担や良品・不良品データの不均衡がおもな原因にあげられます。また、特にDeep Learningでは識別にかかる根拠がわかりにくく、品質保証の観点から導入を見送る現場も多いです。
　そこで、本講座は中小製造現場でいくつかの導入実績をあげた講師が、自身が手がけたAI外観検査の取り組みを紹介。活動事例を通じて、AI外観検査の導入プロジェクトの進め方から学習データの質と量の課題、学習を意識した画像情報の集め方、品質保証への対応までを解説します。

1. AI画像認識の基礎と外観検査導入時の留意点
   1. 機械学習と深層学習
   2. 代表的な深層学習モデル
   3. AI画像認識システムの事例紹介
   4. AI外観検査システム導入時の留意点
2. AI画像認識システムの開発実例紹介
   1. パン識別システム「BakeryScan」
   2. 不織布の外観検査システム
   3. 油圧部品の外観検査システム
   4. 金属チェーンの外観検査システム
   5. レンガの外観検査システム
3. AI外観検査プロジェクトのはじめ方
   1. AI外観検査の進め方・概念実証 (PoC)
   2. 機械学習を意識した画像データの撮影
   3. 学習が難しい画像
   4. 学習しやすい画像のための前処理
4. 学習データの量と質の課題
   1. 学習データの準備にかかる負荷
      • 画像の収集
      • ラベルの付与
   2. 学習データはどの程度必要か
   3. 外観検査における学習データ不均衡の問題
   4. 学習データの拡張と注意点
   5. ラベル付き公開データセットと転移学習による対応
5. 識別根拠の課題と品質保証への対応
   1. Deep Learningは内部分析が困難
   2. 説明可能性・解釈性 (XAI) に関する技術
   3. Grad – CAMによる注目領域確認
   4. 品質保証への対応・段階的なAI外観検査の導入
   5. 運用時の精度維持・向上 (MLOps)
6. AI外観検査システム導入のまとめ
• 質疑応答