PatchCoreとは？異常検知を10分で理解

良品の写真は集まるのに、不良品はなかなか集まらない。そんな現場で候補になる「PatchCore」は、どのように異常らしさを見つけるのでしょうか。 この動画では、画像を局所特徴に変換し、良品特徴のメモリバンクと照らし合わせ、距離から異常候補を可視化する流れを、金属部品の仮想例で解説します。異常スコアと合否しきい値の違い、学習・評価データの分け方、導入時に確認したい撮像条件も整理します。 ※映像の金属部品・作業場は説明用に生成した概念表現です。実機撮影や実験結果ではありません。紹介する論文ベンチマークは、特定の研究データ・条件での報告であり、量産ラインの性能を保証しません。 【おすすめの次の学び】 同じ部品でも判定が揺れるのはなぜ？連写・置き直し・日をまたぐ変化を分け、評価と記録の考え方を整理します。 ▶ AI外観検査の「再現性」をどう測るか    • AI外観検査の「再現性」をどう測るか――同じワークを30回撮るだけでは足りない   ▶ 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   【チャプター】 00:00 不良品画像が集まらない悩み 00:40 PatchCoreは画像を丸ごと比べない 01:44 パッチ特徴と周辺情報 02:03 良品特徴のメモリバンク 02:48 最近傍探索と異常マップ 03:29 スコアと合否しきい値は別 03:52 撮像条件と正常ばらつき 04:56 学習・評価データを分ける 06:11 AUROCの読み方 07:02 工程変化・処理時間も評価 08:55 仕組みをまとめる 【参考資料】 Roth et al., “Towards Total Recall in Industrial Anomaly Detection” (CVPR 2022) https://arxiv.org/html/2106.08265 MVTec AD 公式データセット https://www.mvtec.com/research-teaching/da... PatchCore公式実装 https://github.com/amazon-science/patchcor... Anomalib PatchCore公式ドキュメント https://anomalib.readthedocs.io/en/latest/... #画像検査 #AI外観検査 #PatchCore #異常検知 #製造業 【音楽】 "Carefree" Kevin MacLeod (incompetech.com) Licensed under Creative Commons: By Attribution 4.0 License https://creativecommons.org/licenses/by/4.0/ 音量調整、反復、クロスフェードを実施。効果音は独自合成。