Deep Learning

Deep Learningの主な特徴
ルールベース画像処理と組み合わせたソフトを手軽に作成

Deep learning Add-onはAurora 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。Aurora Vision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（ルールベース）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。

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。（GPU使用の場合）

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）

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の機能と特徴

DetectFeatures (ディテクト・フィーチャーズ)
領域検出

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。