ここ数年、AI (人工知能) の応用が急速に進展しています。DeepLearning (深層学習) が劇的な認識率の向上をもたらしてAI分野を発展させ、生成AIがその応用範囲を広げています。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。学習データ (画像データ) の前処理 (データクレンジング) 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。さらには、導入後の運用を通じての精度向上のための考え方にも触れます。

1. 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
2. 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
3. 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、生成AIの活用
   5. ラベル付き公開データセットと転移学習による対応
4. 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. 説明可能人工知能 (XAI)
   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. AI外観検査システム導入の進め方まとめ
   1. 外部資金の獲得
   2. 不良品の定義確認と不良品サンプルの収集
   3. 撮影方法の検討
   4. 撮影装置の導入とデータ収集からPoC
   5. 初期判定モデルを作成し、プロトタイプとして導入
   6. モデル改良と精度検証の繰り返し
   7. 本格運用開始後の維持管理
   8. 外観検査プロジェクトを成功させるために
6. 質疑応答