不良品が集まらない…良品学習で始めるAI外観検査【図解】

不良品が集まりにくい製造現場で、良品画像から始めるAI外観検査を解説します。 PatchCoreの基本的な考え方と、量産導入前に確認したい「データ」「判定」「時間」の3点を、カイとメイが図解で整理します。 【仕組みをもう一歩】 良品の特徴と比べて、いつもと違う部分を探すPatchCore。その仕組みと、異常スコア・合否しきい値の違いを図解で解説します。 ▶ PatchCoreとは？異常検知を10分で理解    • PatchCoreとは？異常検知を10分で理解   ▶ 基礎から順番に学ぶ再生リスト    • AI外観検査入門｜基礎・異常検知・評価   【この動画で分かること】 ・良品学習による異常検知と一般的な画像分類の違い ・良品画像へ含めるべき正常なばらつき ・AUROCと量産時の見逃し率・過検出率の違い ・推論時間ではなく設備全体の処理時間を見る理由 ・最初の検証で保存しておきたい条件と結果 【チャプター】 0:00 良品だけでAI外観検査は始められる？ 0:38 分類と異常検知の違い 1:23 PatchCoreの考え方 2:17 良品のばらつき 3:01 学習用と評価用を分ける 3:34 AUROCと量産性能 4:27 過検出を工数に直す 5:04 設備全体の処理時間 5:45 最初の検証で残すもの 6:37 まとめ 【主な参考資料】 ・Roth et al., Towards Total Recall in Industrial Anomaly Detection, CVPR 2022 https://openaccess.thecvf.com/content/CVPR... ・MVTec AD https://www.mvtec.com/research-teaching/da... ・scikit-learn ROC AUC https://scikit-learn.org/stable/modules/ge... 本動画は公開論文・公式資料をもとにした技術解説です。図解は説明用の概念図であり、筆者の実機評価結果ではありません。 #AI外観検査 #異常検知 #PatchCore #画像処理 #生産技術 #品質管理