更新日： 集計期間:2026年07月29日～2026年08月25日
※当サイトの各ページの閲覧回数を元に算出したランキングです。
1～5 件を表示 ／ 全 5 件
良品画像を数十枚登録するだけで、外観検査用AIが構築できる。
・AI構築に必要なのは、良品画像だけ。 AI学習用のデータ収集に苦労していませんか？ gLupeであれば、AI学習に不良品画像は必要ありません。 良品画像数十枚だけで、手軽に始めることができます。 ・AIが良品の特徴を自動学習。 登録した良品画像からAIが良品の特徴を自動学習し、 良品と特徴が異なるものを不良として検出してくれます。 画像処理のように細かいパラメータ調整は不要です。 ・独自のAIアルゴリズム gLupeは独自に開発したAIを採用しています。 AIの得意・不得意を理解したうえでのコンサルテーション、 製品のカスタマイズ開発もご相談ください。 ※「gLupe」の開発元は、株式会社システム計画研究所です。 製品に関するご相談は、株式会社システム技研までお気軽にご相談ください。
樹脂成型部品の見た目がほぼ同じ類似の異品を検出します！
自動車部品などの樹脂成型部品は類似品の場合は見た目がほぼ同じため類似の異品を出荷するという事故が発生していました。商社様からのお問合せで打痕などの不良の検出テストをしました。 【検査設定と検査結果】 お預かりのサンプル品で検証した限りでは、打痕の検出は可能でした。学習は約 2,400step 実行し、16 分程度でグラフは収束しました。時間は使用する PC のスペ ックにより増減します。 検証で使用した PC の主なスペックは OS ：Windows10 Home 64bit CPU： Intel(R) Cpre(TM) i7-9750H RAM ：16GB GPU ：NVIDIA GeForce GTX1660 Ti 今回は打痕などの不良を「異常」とラベルしています。 左画像はアノテーション 右画像は検出枠です。
ソフトウェアを利用して既存設備を活かして外観検査の自動化を実現しましょう！
電子部品や半導体チップなどの外観検査でこのようなお悩みはありませんか？ ■オペレーターの熟練度により検査結果がにバラつきがあり、欠陥の見落としや過検出が減らない ■どこまでを不良と判断すればよいのか、基準が設けられない ■AIは導入したいが、多くの不良画像が無く学習ができないと言われてしまった ■高性能な外観検査装置を導入したいが、導入コストが高い VIS ImageAnalyzerは画像解析に30年以上携わっているなかで開発されたアルゴリズムと最新のAI、機械学習の機能を組み合わせたソフトウェアです。 AI搭載の良品比較機能で目視検査特有のバラつきにも強く、従来の画像処理法では難しいような濃淡の少ない欠陥や汚れなども検出します。 また、ソフトウェアのみでの導入が可能なため、お持ちの装置ので撮影した画像を利用していただけます。そのため、高額な費用を抑えて導入をご検討いただくことができます。 ※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。
非常に簡単なアノテーションだけでセマセグを実現する『アテンションマップ』などを追加！精度・速度がさらに向上！
高精度・高速な外観検査AI『Roxy AI』が初のメジャーバージョンアップ！ 今回の機能追加により、これまで以上にAI検査導入のハードルを下げ、 検査工程の品質安定化・コスト削減を実現します。 ■アテンションマップ 不良の検出方法の代表格であるセマンティックセグメンテーション（以降、セマセグ）。 Yoloなど高性能なモデルが公開されており、多くの外観検査AI製品が採用していますが、 セマセグのアノテーションは非常に面倒であることが導入のネックになっています。 正常／不良の境目が曖昧な場合、正しくアノテーションすることすら困難です。 Roxy AI V2で新規追加した独自の『アテンションマップ』でこの問題を劇的に改善。 正常と不良の境界を意識する必要はなく、不良個所をワンクリックするだけでOK。 圧倒的に効率的にセマセグを実現します。 ■学習環境 ・計測AIの小さな物体の検出能力を大幅に向上 ・RTX50系に正式対応 ・CPUでの学習に対応 ・その他。多数の改善 ■ランタイム環境 ・キーエンス社LJ-S8000に対応 ・検査結果を柔軟に制御するワーカー群を追加
不良品画像0枚でも導入できるAI外観検査／良品画像だけで学習、既存装置に組み込み／2018年から累計100台超が稼働中
目視検査に頼り、判定が属人化していませんか？不良品サンプルが数枚しかなく、AI導入を諦めていませんか？ DeepAge Sensorは、そんな現場のためのAI外観検査ソフトです。良品画像だけで学習を始められ、検査用DLLとして既存装置にそのまま組み込みます。 【実績】2018年から稼働、累計100台超の導入実績。 【学習方法】 ・教師あり学習：OK/NG画像から新規に学習（100枚程度から） ・ファインチューニング：既存モデルを追加データで改善 ・教師なし異常検知：良品画像だけで導入（不良品サンプル不要） 【精度】 19データセット全てで精度99%以上（自社検証） 学習収束：SGD比2.6倍高速（独自Muonオプティマイザ） 学習時間：目標精度到達まで約1/3に短縮（Early Stopping） 【導入ステップ】 画像をWebにアップロード→学習を依頼→検査用DLLを受け取り組み込み まずは貴社の検査画像をお送りください。初回のモデル作成は無料で、精度検証の結果をレポートしてご報告します。不良品画像が数枚しかない場合もご相談ください。
