～品質提升，AI技術的應用～
～導入針對品質保證的應對～
近年來，AI（人工智慧）應用進展迅速。推動AI領域發展的關鍵因素是從大腦運作獲得啟發的學習方法「深度學習（Deep Learning）」算法，並且隨著實作庫的出現，影像識別領域的應用案例逐漸增多。此外，生成AI的問世也開始討論無學習外觀檢查系統的實現可能性。
然而，在製造現場，雖然有很多AI外觀檢查（影像識別）專案的立案，但仍有一些案例無法達到預期的識別精度，最終未能實施。學習資料（影像資料）的前處理（資料清理）負擔，以及良品與不良品資料不均衡是主要原因。此外，特別是在深度學習中，由於識別依據難以解釋，許多現場選擇放棄導入，這對品質保證構成挑戰。
本課程講師分享導入中小型製造現場的實績經驗，介紹自身負責的AI外觀檢查工作。透過活動案例，解釋如何推進AI外觀檢查專案，探討學習資料的質量與數量問題，如何收集學習意識的影像資料，以及如何應對品質保證的挑戰。
還將涉及生成AI在外觀檢查中的應用，以及如何透過運營後的「精準度提升」進行改進。

【習得知識】
．了解如何推進AI影像識別專案的知識
．了解具體的AI外觀檢查系統開發案例
．掌握推進AI影像識別專案時，影像收集的注意事項

一、AI影像識別系統實例
1-1 麵包識別系統「BakeryScan」
．麵包識別系統內部結構
．開發過程中的課題
．麵包影像識別系統的學習
．現場導入時的課題
．BakeryScan的改進
．應用展開
1-2 不織布影像檢查系統
．不織布異物檢查
．現有影像檢查系統的課題
．不織布影像檢查系統的結構與特徵
．機器學習進行異物判別
1-3 液壓部件自動外觀檢查系統
．外觀檢查的課題
．影像拍攝方法的檢討
．自動編碼器進行良品學習
．誤檢出的原因
．第二識別器改進
．內視鏡影像檢查系統的展開
．利用Patchcore進行異常檢測
1-4 金屬鏈條影像檢查系統
．鏈條的外觀檢查
．鏈條影像檢查系統的結構與特徵
．通過良品學習進行異常檢測
1-5 耐火磚影像檢查系統
．構建的外觀檢查系統
．通過磚塊影像進行尺寸測量
．凹凸判定
．缺損與裂縫檢測

二、如何開始AI外觀檢查並準備機器學習意識的影像
2-1 AI外觀檢查的推進方式
．AI外觀檢查的優點與缺點
．檢查項目的覆蓋與評價標準的明確化
．PoC（概念驗證）
．設立AI外觀檢查的目標
2-2 準備機器學習意識的影像資料（學習資料）
．如何拍攝「易於理解」的影像
．拍攝影像時的注意事項
2-3 學習困難的影像
．背景干擾的誤識別
．學習資料偏差
2-4 影像處理作為前處理方法

三、學習資料的數量與質量問題
3-1 準備學習資料的負擔（影像收集與標註）
3-2 學習資料需要的數量
3-3 學習資料不均衡的問題與對策（欠採樣、過採樣、加權、資料清理）
3-4 學習資料擴充與生成AI的應用
3-5 利用標註的公開資料集與轉移學習應對

四、識別根據的問題與品質保證應對
4-1 深度學習難以解釋內部分析
4-2 關於可解釋性（XAI）的技術
4-3 深度學習著眼的地方（Grad-CAM, Vision Transformer）
4-4 品質保證應對（AI外觀檢查與目視檢查協作，逐步導入AI外觀檢查）

五、AI影像識別系統導入的推進方式
5-0 獲取外部資金
5-1 確認不良品的定義並收集不良品樣本
5-2 影像拍攝方法的檢討
5-3 導入拍攝裝置並開始從資料收集到PoC的實施
5-4 建立初步判斷模型並以原型形式導入
5-5 進行模型改進（變更）與精度檢測
5-6 在正式運營後的維護管理
5-7 成功推進AI影像外觀檢查專案的要點