スカイロジックの製品・サービス一覧

製造業において、企業の信頼を維持するための品質管理・品質保証は欠かせない業務です。品質管理業務の中でも多くの部分を占めるのが「外観検査」です。各工程において外観検査を行うことにより下流工程の歩留まりが向上し、不良の流出も未然に防ぐことができますが、同時に製造コストを押し上げ、場合によっては外観検査がボトルネックとなって生産能力が落ちてしまう原因にもなりかねません。 ここでは外観検査の自動化の注意点、従来の画像処理と最新AI画像処理の違いや海外での外観検査の動向について解説します。 ■外観検査とは？ ■外観検査の主な検査項目 ■目視検査の代替としての自動外観検査 ■目視検査のメリット・デメリット ■自動外観検査のメリット・デメリット ■自動外観検査の導入ステップ ■AI（ディープラーニング）外観検査は従来の手続き(ルールベース)型画像処理に取って代わるのか ■外観検査で手続き型画像処理を使う場面 ■外観検査でAIを使う場面 ■外観検査を自動化する際の注意点 ■海外における自動外観検査の動向 ■まとめ ■低価格で導入できる外観検査システム ※関連リンクをご覧ください。

ここでは様々な照明の種類と性質、主な用途について書きたいと思います。用途に合わせて最適な照明を選んでください。 ■バー照明 ■リング照明 ■ローアングルリング照明 ■バックライト（透過光） ■バックライト＋偏光板 ■同軸落射照明 ■ドーム照明 ※詳しくは関連リンクをご覧ください。

画像で検査を行う場合、カメラの受光センサーに入ってきた光によって画像を取得するため、その光の質によって見つけたい欠陥を検出できる・できないが大きく変わってきます。 １：反射光の影響 照明の角度によって著しく変化するものの一つに反射光があります。例えば下の例のように、同じものを撮影しても照明の角度によって見え方が全く変わってきます。 （図1　左：真上から照明を当てた場合、右：斜めから照明を当てた場合） 上のサンプルは基板表面に防湿コーティング剤が塗布されているため全体的に光沢があります。このようなものを撮影する場合、正面から光を当ててしまうと光源がそのまま反射してしまい、好ましい画像が撮れない場合があります。そのような場合には照明を斜めから当てます。 （図2　左：真上から照明を当てた場合、右：斜めから照明を当てた場合） 上の図の青矢印は光源の反射を示しています。真上から光を当てるとその反射光がそのままカメラに入ってきてしまいますが、斜めからの場合、反射光は逆側に抜けるため直接の反射光を避けることができます。

絞りやフォーカスを調節できるタイプのレンズには画角（撮影範囲）に関係する「焦点距離」という値があります。レンズの仕様を表す場合、一般的にf1.4/12mm のように開放時の絞り値と焦点距離をセットで表しますが、このことから「焦点距離」が重要な仕様であることが分かると思います。 こちらでは焦点距離の選び方をご紹介します。 ※詳しくは関連リンクをご覧ください。

絞りは目でいえば虹彩（茶色目）の役割を果たし、カメラのイメージセンサーに入る光の量を調節するものですが、同時に被写界深度やカメラの露光時間にも影響します。今回は被写界深度と露光時間について検証したいと思います。 ■被写界深度 ■露光時間 ■被写界深度を深くしながら露光時間を短くする方法

安価なカメラの代表としてパソコンにUSB接続できるWebカメラというものがあります。価格も千円からと格段にお手頃ですが、画像処理には一般的に産業用カメラが使われる理由も合わせて知っておくとトラブルが少ないです。 もちろん安い方が費用対効果が上がりますが、私の感覚ではWebカメラを使うお客様「3」 に対して産業用カメラを使うお客様が「7」 です。逆に言うと3割のお客様はWebカメラでも実用に耐えうる運用ができているということになります。

「高画素は高性能」— 確かに、高画素になるにつれて細部まで鮮明に撮影できるようになります。しかしながら、単純に大は小を兼ねるというわけではなく、高画素カメラにも弊害があります。例えば、無駄に画素数が多いカメラを使うと画像処理に余計に時間がかかってしまいます。そのため「本当に高画素カメラを使わないと判定ができないのか？」ということを考えてカメラの画素数を選定する必要があります。 下の例は30万画素から1400万画素まで、PCのマザーボードの一部を同じサイズまで引き伸ばしたときにどれくらいの鮮明度の違いが出るか実験をした結果です。 （図を参照） このように、広い視野の中の細かい部分を見ようとしたとき、高画素の性能が発揮されます。ただ、先程書いたように画像処理の時間が長くなるほか、この後の「高画素か、低画素か(2)」で紹介するように露光時間も長くする必要があります。「本当に高画素カメラを使わないと判定ができないのか？」という考え方はカメラを選定する上で重要な要素の一つです。

「高画素か、低画素か(1)」では高画素カメラが細部まで鮮明に撮影できるメリットについて触れました。ここでは低画素カメラのメリットについて書きたいと思います。低画素カメラのメリットは一言で言うと「処理が速い」という点です。そして、処理が速い理由として2つの点が挙げられます。 そもそも画像データとして扱う画素数が少ない 露光時間が短くて済むので撮影にかかる時間が短い 1 については特に疑問の余地はないと思います。では、2の「露光時間が短くて済む」のはなぜでしょうか？これについて説明します。 カメラのセンサー（冒頭の写真に写っている四角の受光部分）のサイズは様々ですが、産業用カメラでは5mm角から7mm角くらい程度のものが一般的です（1/3インチ～1/2インチ）。しかしながら「高画素か、低画素か(1)」で触れたように、画素数のバリエーションは30万画素程度から1400万画素程度まで様々です。 この時、ピクセルのサイズにはどのような違いがあるのでしょうか？

「高画素か、低画素か(2)」で説明したように、産業用カメラには様々なセンサーサイズがあります。一般的には 1/3～1/2インチですが、1インチというサイズもあります。センサーサイズが大きいということは、同じ画素数であればピクセルサイズが大きくなるため： ピクセルあたりの受光面積が大きくなり、短い露光時間で撮影できる 同じ露光時間であればよりノイズの少ない画像が得られる 同じレンズのフォーカス性能であればより鮮明な画像が得られる（1ピクセルのサイズが大きくなるのでフォーカス対象の的（まと）が大きくなると考えると分かりやすいかもしれません）。 というメリットがあります（ただ、センサーサイズが大きいほど作るのにコストがかかるため、サイズに応じて価格も高くなります）。 一点、注意したいことは、「画質を上げるためにセンサーサイズが1/2インチのものから1インチのものに変更したい」といった場合、同じレンズを使っても画角（視野範囲）も変わってしまう点です。

カメラ受光センサーのシャッター種類は大きく分けて2つに分けられます。「グローバルシャッター」と「ローリングシャッター」です。この2つの違いは、センサーのピクセルを全て同時に露光させるか（グローバルシャッター）、上から1ラインずつ露光させるか（ローリングシャッター）の違いです。 この仕組みの違いが画像にどのような影響を与えるのでしょうか？代表的な例は下のような歪みです。移動しているものを撮影すると、グローバルシャッターであれば球形のものは球形として撮影されますが、ローリングシャッターの場合、上のラインから順に露光させている間にも物が移動してしまうので、露光の時間差の分、ひずみが発生します。 このように、移動体を撮影する場合に両者の違いが出てきます。「では、全てグローバルシャッターにすれば良いのでは？」という疑問も出てきますが、製造コストの面ではローリングシャッターの方が有利（低コスト）なのです。 （図1　左：グローバルシャッター、右：ローリングシャッター）

カメラの選定の中で悩みがちなのがインターフェースです。近年の産業用カメラではほとんどのメーカーがGigEとUSB3.0の両方のカメラを出しています。2つのインターフェースを用意しているのにはそれぞれのメリットとデメリットがあるためです。今回は、用途に合わせてどのようにインターフェースを選ぶかについて書きたいと思います。 ■価格の比較 それぞれの違いについては仕様として明確に決められているので、その一部を抜粋します。下の表を見て頂くことで今ご検討中の用途で選ぶべきカメラも明確になってくるかもしれません。 （図2　GigE/USB3.0 仕様の対比表） ※ メーカーによって5mや8mまでのケーブルを取り扱っていますが、動作が不安定になるケースがあるようです ■GigEカメラの給電について GigEでPCと接続する場合、LANケーブルで直接PCとカメラを接続してもPCからカメラに給電できません。そのためカメラに直接給電するか、別途PoEインジェクタ―やPoEハブをPCとカメラの間に入れてカメラに給電する必要があります。 （図3　PoEハブ（4台のカメラに電源供給可能） （BS-GU2005P）

今回はAIの種類について整理してみたいと思います。 DeepSkyの紹介ページも新しく作成されていますので是非ご覧ください。 さて、今話題になっている「AI」という言葉ですが、歩行者や標識を見分けたり、またチェスや碁で人間のプロに勝ってしまうAIは、より正確に言うと「ディープラーニング」です。画像処理の世界ではそれ以外にも機械学習の画像処理や手続き型と呼ばれる画像処理があります。では、それぞれ何が違うのでしょうか？ それぞれの意味合いは、下のような図にすると分かりやすいと思います。AI (Artificial Intelligence)はその名の通り人工知能を意味し、1950年頃から「人の知能の代わりをするもの」という意味で最も広く使われている概念です。画像処理の世界では、カメラで撮影した画像を決まった手続きに従って処理してOK/NG判定をする「手続き型」(ルールベース)の画像処理もこのAIに該当します。弊社のEasyInspectorでは、色判定や寸法角度検査など広い範囲でこのタイプのAIを使っています。

お客様とお話をしているとどうもAI（ディープラーニング）が勝手にOKかNGか判定してくれると思われていると感じる時があります。これは微妙なニュアンスの違いであり、実際の会話の中でわざわざ訂正するほどのものではないのですが、今日はそのモヤモヤを晴らしたくてこの記事を書きます。 さて上でモヤモヤと書きましたが実際何が違うかと言うと、ソフト上で何をOKとして、何をNGとするか決めているのは実は人間だということです。 「じゃぁAIって何してるんだ……」となってしまうのですが、答えを言ってしまうと弊社のAIが行っていることは「教わったモノを見つける」、本質的にはこれだけです。この機能は一般的に「物体検出」と呼ばれます。 「物体検出」では文字通り画像の中から「物体」を「検出」します。

現在、画像について多くのことを学んでいる日々なのですが、「良い画像を撮影する」ということが重要であることを実感しています。 カメラには様々な機能が搭載されており、きちんと適した設定にすることができたら良い画像を撮影することができるようです。 そんな設定機能の中の一つに「ホワイトバランス」があります。 画像処理素人であった私は、聞いたことはあるけどいったい何をしているんだ？と思っておりました。 気になって調べたところ、面白かったのと役立ちそうでしたのでご紹介します。 ※詳しくは関連リンクをご覧ください。

最近、AIのソフト（EasyInspector2やDeepSky）をご使用頂いているお客様から「なんでこうなるの？」「こうなるはずでは？」「中身はどうなっているの？」というお話を頂くことが多くなっています。 このような時、担当者はどのように説明するべきか迷うようです。確かに、感覚的に分かりやすく説明しようとするといわゆる例え話（※）に終始してしまったり、細かく説明しようとすれば専門書の方が詳しいとなったりしてしまいます。私も「もう一歩踏み込んでAI画像処理の原理を知りたい」というお客様にちょうど良い説明資料が見つけられないでいました。 ※詳しくは関連リンク（ブログ）をご覧ください

「検出力を向上するために高解像度のカメラを使いたい」というお声をよくいただきます。ルールベースの画像処理の場合高解像度の画像を使用すると分解能が良くなり検出力が向上する傾向にありますが、ディープラーニングではその限りではない場合があります。ディープラーニングにおける解像度に対する考え方について、大雑把ではありますが下記に簡単に解説致します。 （図1）の(1)～(3)のような画像があるとします。 (1)全体の面積10×10、灰色の四角形の面積4 (2)全体の面積20×20、灰色の四角形の面積16 (3)全体の面積10×10、灰色の四角形の面積16 (2)の灰色の四角形の面積は(1)に比べて4倍大きいですが、全体の面積に対する灰色の四角形の比率で見れば(1)：4/100、(2)：16/400であり、どちらも4％分しかありません。 ディープラーニングにおいて、「灰色の四角形の検出しやすさ」という意味では、(1)と(2)はほとんど同じです。

今回はタイトルの通り「学習と検査速度のGPUによる違い」を検証出来ればと思います。 2種類のGPUと16・8GBのRAMによる学習・検査時間の違いを比較します。 ■条件 ■確認構成 ■結果 ※詳しくは関連リンク（ブログ）をご覧ください。

弊社の営業技術がお客様と話をしている時にほぼ毎回説明しているものですが、AIの性能を大きく左右する重要な要素にもかかわらずネットを調べても話が一般的すぎて実用上の参考になりにくいものが多く、もう少し実用的・具体的・現実的な解説ができればきっと皆さんの参考になるだろうと考えたのが今回のブログの背景です。 ■いくら良いAIでも間違ったことを教えられたら間違った結果を出す ・教師画像について ・アノテーションについて ・アノテーションで便利な機能 ・参考になるブログと動画 ※詳しくは関連リンク（ブログ）をご覧ください。

今回ご相談いただいたメーカー様も以前よりお問合せのある企業です。サンプル画像を送付いただきました。 弊社ではWEB会議での使用説明やデモンストレーションも行っております。先ずWEB会議で先方のお困り事や運用状況を伺って検証に入る方がよりスムーズなご報告ができます。 ■検査設定と検査結果 頂いた2種類の画像で分光照明の画像と一般照明の画像それぞれ学習を行い、処理を実行しました。どちらの画像も異常箇所を指定して、それを見つけるように学習させています。分光照明の画像ではある程度不良らしい箇所を検出できており、教師データを増やすことで検出精度を改善できる可能性があると感じました。 一般照明の画像では正直判定が難しい印象です。 右の画像のように大きく粒状に写る不良以外は検出が厳しそうです。左の画像は分光照明の画像で不良を検出している表示です。 検出画像の数字はAIの自信度数％で、認識点数と呼んでいます。

ディープラーニングによる画像認識・検査導入を検討する企業様からよく質問をいただくのが「何枚の画像を用意すれば検査できるのか？」という点。 結論から言うと、「明確には断定できない」が実情です。なぜなら、対象物の見た目（色・形・角度など）や変化する特徴の複雑さに応じて、必要なデータ量は大きく変動するからです。 本記事では、検証の基本プロセスを以下のように整理しています： 検査対象の製品を撮影し、まず数百枚程度の画像を収集（たとえば200枚を目安に） そのうちの半数を選び、対象物に対して「アノテーション」を付与 アノテーション済みデータを学習データとしてAIに学習させ、残り画像で検証（認識できるかテスト） 誤認識や認識漏れがあれば、画像数を増やしたり、アノテーションを見直したりして再試行 このような「データ拡張 → 学習 → 検証 → 再調整」を、満足できる精度が得られるまで繰り返す ※詳しくは関連リンク（ブログ）をご覧ください。

AI（ディープラーニング）を活用した画像認識・検査システムを導入する際、しばしば「訓練データはどれくらい必要か？」という問いにぶつかります。結論を先に言えば、答えは「決まりきった数字はない」が、導入成功のカギは「良いデータを適切に使うこと」にあります。 本記事では、訓練データの意義と活用法を以下のように解説しています： ・訓練データ／検証データ／評価データの役割分担 ・データの偏りを防ぐ設計 ・必要なデータ量は“変動要因”次第 ・ラベル精度とアノテーション設計 ・運用後の継続メンテナンス ※詳しくは関連リンク（ブログ）をご覧ください。

お客様からよく聞く課題と、それを解決する方法についてご紹介します。 課題1）判定を間違えた時、なぜ間違えたかを分析しにくい 課題2）出来上がったモデルが良いものか悪いものか定量的に判定したい。 課題3）学習した時、「これとこれは間違えやすそうだ」ということを視覚的に知りたい。 課題4）どこで学習を止めればよいか分からない。過学習になるのはいつから？ 課題5）新しい製品で欠陥製品が収集できていない ※詳しくは関連リンク（ブログ）をご覧ください。

最近は安価なネットワークカメラが多く出回っているため、弊社EasyMonitoring2（ネットワークカメラから画像収集してメーター読取などを行うシステム）もより安価に導入できるようになってまいりました。しかし、同時にある問題が出てきました。 それは ・レンズが交換できないタイプがほとんどになった。 ・広い範囲を狙うレンズが主になり、画像の歪みが大きい（魚眼レンズに近い）ものが多くなった。 というものです。これらの傾向により、少し離れたメーターを狙って撮影するということが安価なカメラでは難しくなってきていました。EasyMonitoring2のシステムでは接続するカメラの台数が多いので、カメラはコンパクトで安価なものが求められます。 そこで、安価なカメラでもメーターを狙って撮影することができる方法をテストすることにしました。 ※詳しくは関連リンク（ブログ）をご覧ください。

また今回は1台のカメラで複数個所を狙って撮影することを目的にPTZカメラを使用しました。 PTZカメラとは： Pan：横方向にカメラを振る Tilt：縦方向にカメラを振る Zoom：ズームする（光学的に画角を変える） という機構が備わったカメラです。 （画像は一般的なPTZカメラのイメージ） 早速画角を確認していきましょう。 ※詳しくは関連リンク（ブログ）をご覧ください。