AI外観検査の相談で多いのは、「精度が出ない」より前の段階です。モデルを選ぶ前に、入力と判定の言葉が揃っているかを見ます。
撮れていること
判別に使う写真が、人の目でも特徴を追いにくい場合、学習を増やしても安定しにくいです。照明とカメラで傷や色の違いが見える状態にしてから、AIの対象にします。
同じ対象でも、置き方・時刻・背景がバラバラだと、モデルは傷以外の差を覚えてしまいます。撮像条件を先に固定するほうが、データ件数を増やすより効くことがあります。
良品と不良の言い方
「傷がある」だけでは、長さ・深さ・位置のどれを不良にするのかが残りません。現場の人が見逃してよいものと、流出させてはいけないものを、写真付きで分けるところから始めます。
判定が人によって違う場合、AIに先に任せるより、基準のすり合わせが先です。曖昧な境界は、検査項目から外すか、人が確認する工程に残します。
運用で残る作業
撮影、判定、記録、再検査。AIは判定の一部を担います。記録の転記や、微妙なものを人が見る流れが残るなら、ソフトウェア側の設計も一緒に見た方がよいです。
対象物の写真、いまの合否の目安、1日の処理件数があれば、どこから手を付けるかを技術相談で整理できます。データが少ない段階でも構いません。
学習に使わない画像で評価する
学習に使った画像の判定結果だけでは、導入後の性能を判断できません。評価用の画像を別に確保し、同じ対象の連写や切り出し画像が学習側と評価側に分かれて入らないよう、対象・ロット・撮影時点ごとに分ける方法を検討します。
良品・不良品だけでなく、品種、撮影条件、まれな不良も区別して結果を確認します。データが不足する条件は「未評価」と残し、確認できた範囲から運用を決めます。
最初の相談に持ち寄るもの
- 良品・不良品・判断に迷う対象の代表画像。
- 不良とする条件、見逃してはいけない特徴、人が確認する項目。
- 撮像条件と、対象物の種類・置き方の違い。
- 処理件数、必要な判定時間、結果の保存・確認方法。
判定条件がまだ言葉にできていない場合は、判断に迷う画像の整理から始められます。画像自体に特徴が出ない場合は撮像環境構築、判定と運用を一緒に検討する場合はAI外観検査の設計をご覧ください。