[新製品・サービス]

富士通研究所、製品の外観異常を高精度に検出するAI技術、不良品データを生成しながら学習

2021年3月29日(月)日川 佳三(IT Leaders編集部)

富士通研究所は2021年3月29日、製品のキズや加工ミスを検知するAIモデルを開発する際に、不良品の画像データを人工的に生成しながらAIの弱い部分を多く学習させられる技術を開発したと発表した。グループ会社の検査工程での検証によると、プリント基板の検査工数を25%削減する効果を確認したという。

 富士通研究所は、製品のキズや加工ミスを検知するAIモデルを開発する際に、AIが捉えることができていなかった特徴を優先して学習する技術を開発した。AIモデルに応じて不良品の画像データを人工的に生成しながら学習させることで、外観の異常を高精度に検出できるようになるとしている(図1)。

図1:製品の外観異常を高精度に検出するAI技術の概要(出典:富士通研究所)図1:製品の外観異常を高精度に検出するAI技術の概要(出典:富士通研究所)
拡大画像表示

 電子関連機器の製造工場である富士通インターコネクトテクノロジーズ(本社:長野県長野市)の長野工場の検査工程で同技術の有用性を検証した。この結果、プリント基板の検査工数を25%削減する効果を確認したという。

外観にバリエーションのある製品の異常を正しく検出

 ベンチマーク試験を実施したところ、外観にバリエーションがある場合の異常検出性能を測定するAUROC(Area Under the ROC Curve)で、世界最高レベルの98%を達成したという。また、ねじやナットのように良品が同一の外観を持つ製品では、従来技術と同等の精度を維持している。

 製造ラインの検査工程では、検査員が、大まかな形状や細部の構造、質感などの特徴を基に、良品か不良品かを判断している。外観が正常でも、個体ごとに色見や配線の形状などのバリエーションがある場合、正常範囲の個体差か、または異常かを区別しながら検査している。

 このため、AIの学習においては、個体ごとに生じる多様な特徴を捉える必要がある。しかし、一般的な学習方法(特徴を重み付けして合算した指標を使う方法)では、1つの特徴に偏った学習が進んでしまい、すべての特徴を十分に捉えることが難しかった。

 今回開発した技術を使うと、色味が異なるカーペットや、配線の形状が部位によって異なるプリント基板のように、外観が正常でも個体ごとに様々なバリエーションがある製品において、糸のほつれや配線パターンの不良といった異常箇所を正しく検出できる。

●Next:異常を除去した正常画像を復元できるようにAIモデルを学習させる

この記事の続きをお読みいただくには、
会員登録(無料)が必要です
  • 1
  • 2
関連キーワード

富士通研究所 / 品質管理

関連記事

Special

-PR-

富士通研究所、製品の外観異常を高精度に検出するAI技術、不良品データを生成しながら学習富士通研究所は2021年3月29日、製品のキズや加工ミスを検知するAIモデルを開発する際に、不良品の画像データを人工的に生成しながらAIの弱い部分を多く学習させられる技術を開発したと発表した。グループ会社の検査工程での検証によると、プリント基板の検査工数を25%削減する効果を確認したという。

PAGE TOP