画像処理ソリューションのリーディングカンパニー / マイクロ・テクニカ
Deep Learning
Deep Learningの主な特長
 |
必要な画像数一般的な事例において、学習に必要な画像は30枚から50枚程度です。
|
|
 |
学習に必要な時間一般的な事例において、学習に必要な時間は30分～1時間程度です。
|
|
| |
処理実行に必要な時間一般的な事例において、学習結果を利用した画像処理の実行にかかる時間は200ms程度です。 |
|
 |
GPUの必要性ディープラーニングによる学習、及び学習結果を利用した画像処理を高速で行うため、最新のGPUの使用を推奨しています。 |
|
|
|
Deep Learning機能を使った画像処理の例
学習プロセス
Deep Learningによる画像処理を行うには学習プロセスを経る必要があります。学習プロセスの主な手順は以下になります。
| 手順①画像を収集、標準化する ・良・不良ともに全パターンの代表となりうる 20~50枚の画像を収集し、ディスクに保存 ・ワークの尺度、向き、照明ができるだけ 一貫していることを確認 |
 |
|
| 手順②学習 ・Deep Learningの種類を選択 ・Deep Learningエディタを開く ・学習用画像を読み込む ・画像の良・不良を定める 教師なしモード／教師ありモード ・学習を開始 |
 |
|
| 手順③実行 ・プログラムを実行し、学習後の認識結果を確認 |
 |
Deep Learningの機能と種類
DetectFeatures (ディテクト・フィーチャーズ)
DetectFeaturesでは、ユーザー自身が学習用画像の不良箇所に従ってピクセルを注意深くラベリングします。ツールはそこから顕著な特徴を探し出し、良・不良の特徴を認識します。
|
この事例では、多様な特徴を持つ表面に発生するひび割れや傷の検出が必要となります。従来の方法では、個々のソーラーパネルの種類によって調整が必要となるパラメータが数多ある、複雑なアルゴリズムが必要です。Deep Learningでは、教師あり学習のシステムで、ツールをただ1つだけ使って学習させれば終わります。 |
 |
DetectAnomalies (ディテクト・アノマリズ）
DetectAnomaliesでは学習はより簡単です。不良箇所に明確な定義を持たせずともツールが良品サンプルをもとに学習し、どんな逸脱でも探し出します。
|
お寿司のパックが市場に出荷されるとき、中身は決まった場所に置かれているものです。良品の中身自体に変種がある場合、不良箇所がどこかも定義しにくくなります。解決策は、教師なしモードの深層学習を使うことです。ツールが学習段階で見たものから何か大きな逸脱がないかを検出します。 |
 |
ClassifyObject （クラシファイ・オブジェクト）
ClassifyObjectの学習も簡単です。学習用画像それぞれが分類すべきクラス（種別）のどれに属するかを指定していくだけです。学習後は、ツールが検査対象画像がどのクラスに分類されるべきかを素早く判断します。
|
木の実であるナッツは、一つ一つが違った形をしています。しかし、Adaptive VisionのDeep Learningアドオンは形が不揃いであっても、対象物を種類ごとに分類することが可能です。 |
 1枚の画像の中に1種類ずつ写っているので 画像単位で分類別けしている。 |
Segment Instance （セグメント・インスタンス）
品種ごとに学習を行い、対象物の領域の検出とラベリングを同時に行う機能です。
|
Classify Objectは画像単位で分類別けするのに対し、Segment Instanceは1枚の画像の中の特定領域を指定し、領域ごとに分類別けをします。 |
 1枚の画像の中に複数写っているので それぞれの領域ごとに類別けしている。 |
Locate Point（ロケート・ポイント）
画像の中にある特徴点を、点として学習し、対象物の位置や形状が不安定であってもその特徴点を検出する機能です。特徴点をトラッキングしたりする場合にも使える機能です。
|
ミツバチの特徴点を学習させて動きをトラッキングさせたり数をカウントさせたりすることが出来ます。 |
-
- 体験版をお試しください！
-
- お気軽にご相談ください！
