TOP > 取扱製品 > Adaptive Vision Studio > Deep Learning

Deep Learning

Deep Learningの主な特長

Deep learning Add-onはAdaptive Vision Stuidoに新たな機能を追加するオプション機能です。良品画像を学習させてNGを判定する機能や、画像のNG部分(傷、異物など)を作業者が指定して学習し判定する機能など、様々なDeep learning画像処理の機能があります。AdaptiveVisionのその他の機能と同様、操作にはプログラミングスキルを必要としないグラフィカルなユーザーインターフェースを持っていますので、プログラミングスキルを使用せずに従来の画像処理ライブラリとDeep Learning処理を1つのプラットフォーム上で構築することが可能です。


 AVD画像数.png

   

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。




 AVD時間.png

   

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。
(GPU使用の場合)


 AVD時間.png

   

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使用の場合)


 名称未設定-1.png

 

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。


使用例:太陽電池


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

 

AVSDEEP太陽電池.png
12.png13.png14.png





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。


使用例:パッケージ確認


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。

 

AVS SUSHI.png

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。


使用例:ナッツの種類分類


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枚の画像単位で分類別けするので高速処理が可能です。

 

ナッツ分類.png
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。


使用例:ナッツの種類分類


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。


使用例:ミツバチのトラッキング


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!