画像検査を設計するうえで、機械、つまりコンピュータに「正解をどうやって教えるのか？」を考えることが大事です。
【単純な検査の場合】
もし、抽出したい特徴も基準も明確なら、そのルールをプログラムにすれば検査は実現できます。 例えば、画像内の白い部分の長さがXmm以内が合格といったような検査であればこのようなルールベースの検査がベストです。 実際にはこんなに簡単な検査はめったにありませんが、キズの大きさといった不具合を検査したり、穴の大きさや位置、真円度といった寸法検査にはルールベースが便利です。【そこまで簡単じゃないものは？】
しかしです。この「穴」などの特徴を見つけるのが案外大変！人間なら、「丸い輪郭のあるもの」として認識すればいいですが、プログラムにするとしたら結構面倒くさいものです。「丸い」とはどの位の真円度までの指すのか？輪郭として画像の輝度は？など、かなり厳密に指示をしなくてはいけません。市販の画像検査ライブラリを使えば、多少はプログラミングの手間は減りますが、厳密に指定をしなければいけないことには変わりません。そこで、AI、特にディープラーニングの登場です！
ディープラーニングで「穴」や「突起」、あるいは「ネジ」や「塗装部分」などを教えてあげれば、その特徴を簡単に抽出することができます。
その特徴を抽出さえすれば、基準がはっきりしているというような検査は、AIで特徴を抽出してからルールベースで判別すればよいのです。MENOU-TEを使ってる方ならタスクコネクションで２つのタスクを組み合わせれば簡単に実装できますね。
【正解を教えるのが大変なものは？】
もう少し込み入った検査ありますよね？外観検査員も相当訓練しないと見分けがつかないような検査みたいなやつです。 微妙な形状の違いで、言葉にできずに写真やイラストでしか伝えられない異常や、「変なシワ」「まだらな模様」「サビ」など、非常に定性的な判断が求められる外観検査はやっかいです。AIを導入しないと、自動化は至難の業となってしまいます。 ディープラーニング技術を用いれば、「変なシワ」ならそのような画像をいくつか学習させれば自動で特徴を抽出してくれるので、手間は大幅に削減できます。【結論】
つまり、ルールベースとAIの使い分けとして以下のような表で考えるとよいのではないでしょうか？| 特徴抽出がシンプル | 特徴抽出が曖昧・複雑 | |
|---|---|---|
| 基準が定量的 | ルールベース | 組み合わせ |
| 基準が定性的 | 組み合わせ | AI（ディープラーニング） |