ブログ

従来のマシンビジョンとディープラーニングの違い

deeplearningheader

基本的なレベルでは、マシンビジョンシステムは、特殊な光学系を備えた産業用カメラ筐体内のデジタルセンサを活用して画像を取得します。取得した画像は PC に供給され、特殊なソフトウェアでさまざまな特性を処理、分析、測定することで意思決定に役立てます。

これらのシステムは、頑丈で、ファクトリーオートメーション環境内の狭い場所に取り付けられます。従来のマシンビジョンシステムは、一貫性があり、高い精度で作られた部品で信頼性を発揮します。目視検査よりコスト効果の高い方法で、手順ごとにルールベースのアルゴリズムでフィルタリングします。

生産ラインでは、マシンビジョンシステム1台で1分間に数百あるいは数千のパーツの検査を実施できます。このような画像データの出力は、検査における課題を解決するというルールベースでプログラムされています。そのようなことから、画像処理は特に以下に優れていることが分かっています。

  • ガイダンス:パーツの位置と向きを検出し、指定された許容値と比較して、正しい角度であることを確認することで、アセンブリが適切に行われていることを検証します。これは、別の画像処理ツールで使用するパーツの重要な特徴を探すといったことにも使用できます。
  • 識別:パーツ、ラベル、パッケージに印刷されたバーコード (一次元)、データマトリックスコード (二次元)、ダイレクトパーツマーク (DPM)、および文字を読み取ります。色、形状、サイズでアイテムを認識することもできます。
  • 計測:対象物にある 2 つ以上の点、つまり幾何学的な位置の間の距離を計算し、これらの計測値が仕様を満たしているかどうかを判断します。
  • 検査:ラベルが正しく付着しているか、安全シールやキャップが存在するかなど、欠陥やその他の異常を見つけます。

ディープラーニングでは、ルールベースではなく、例に基づくアプローチを使用して、特定のファクトリーオートメーションの課題を解決します。ニューラルネットワークを活用して、一連のラベル付きの例に基づいた良品画像をコンピュータに教えることで、ディープラーニングは欠陥を分析し、対象物を見つけて分類し、印刷されたマーキングを読み取ることができるようになります。

実際、企業は電子機器の画面で傷、欠け、またはその他の欠陥を探して検査しようとしている可能性があります。これらの欠陥はすべて大きさ、範囲、場所、または画面上の様々な背景の影響により異なります。ディープラーニングなら、予測されるばらつきを考慮しながら良いパーツと不良の違いを見分けることができます。また、ネットワークに新しい対象 (種類の異なる画面など) をトレーニングすることは、新しく一連の参照画像を撮影するのと同じくらい簡単です。

deeplearningcellphone 

これにより、ディープラーニングは特に以下に優れた能力を発揮します。

  • ルールベースのアルゴリズムを用いて画像処理アプリケーションがプログラムできない問題を解決する
  • 部品の外観において混乱する背景やばらつきを処理する
  • 工場環境の新しい画像データでアプリケーションを再トレーニングする
  • コアネットワークを再プログラムせずに新しい参照例を採用する

ディープラーニングは、最終組立確認など、通常手動で検査されてきたアプリケーションで使用されるようになっています。このようなタスクは、自動化が難しいとされてきました。ディープラーニングなどのツールを使用することにより、このようなタスクをマシンビジョンシステムが担うことが可能となり、信頼性が高まるとともに、生産ラインへの迅速な導入も可能にしています。

人間は分類することが得意です。一連の対象物の集まりから違いをほんの数秒で理解することができます。この意味で、ディープラーニングツールは、人間の進化的知性のメリットと、従来のルールベースの画像処理の一貫性、再現性、スケーラビリティを組み合わせたものと言えます。

この違いを理解することは、ファクトリーオートメーションに切り替えたい企業にとって重要です。この違いは、どのファクトリーオートメーション アプリケーションを導入すべきかを判断するうえで重要です。

従来のマシンビジョンシステムは、一貫性のある、良質に製造された部品では確実に動作しますが、アルゴリズムは、例外や欠陥ライブラリの成長に伴ってプログラムするのが困難になります。つまり、ある時点で、ファクトリーオートメーションに必要な一部のアプリケーションは、ルールベースのマシンビジョンに依存することで最適なサービスを提供できなくなります。

複雑な表面の質感や外観のばらつきにより、検査に課題がもたらされます。ルールベースのマシンビジョンシステムでは、見た目がほとんど同じ部品では、ばらつきや偏差をうまく判断できません。部品の実用性に影響する「機能的」異常は、ほぼすべてがリジェクトされますが、外観の異常は、メーカーのニーズや設定によってすべてがリジェクトされるわけではありません。特に、このような異常は、従来のマシンビジョンシステムでは区別ができませんでした。

特定の従来型マシンビジョン検査、たとえば欠陥検出では、照明、色の変更、湾曲、視野が原因で複数のばらつきが生じると、マシンビジョンでは判別するためのプログラミングが困難でした。

それ自体は問題ではありません。ただし、別の適切なツールが利用可能となった場合に、マシンビジョンを使用したアプリケーションで解決しようとする場合に問題になります。 従来のマシンビジョンシステムは、一貫性のある、良質に製造された部品では確実に動作しますが、例外や欠陥が増えることによりプログラムするのが困難になります。つまり、ある時点で、ファクトリーオートメーションに必要な一部のアプリケーションは、ルールベースのマシンビジョンに依存することで最適なサービスを提供できなくなります。

deeplearningchart

この違いを理解することは、ファクトリーオートメーションに切り替えたい企業にとって重要です。この違いは、どのファクトリーオートメーション アプリケーションを導入すべきかを判断するうえで重要です。

このように、ディープラーニングはファクトリーオートメーションを変革していますが、オペレーターが業務遂行において使用できるツールの1つということは変わりません。従来のルールベースの画像処理は、特定のジョブタイプに対して効果的なツールです。一方、人間の目とコンピュータのスピードと信頼性を必要とする複雑な状況では、ディープラーニングは真の意味で未来を変えるオプションであることが証明されます。

製造業におけるディープラーニング技術については、無料の eBook 「ディープラーニングとマシンビジョン」をダウンロードしてご覧ください。

他の投稿

製品のサポートやトレーニングなどの詳細を見る

マイコグネックスに参加

お気軽にお問合せください

Cognex は世界中でお客様のビジョンと工業用バーコドリーダのあらゆるニーズをサポートしています。

お問合わせ
Loading...