AI外観検査の最新動向と導入、運用ポイント

岐阜大学 工学部 電気電子・情報工学科 情報コース 教授、 人工知能研究推進センター センター長　加藤 邦人氏

【アーカイブ（録画）配信】２０２６年３月１８日まで受付（視聴期間：３月１８日〜３月２８日まで）
※２０２６年３月９日（月）　１３：００〜１７：００ Live配信セミナーの録画配信です

1名につき ４９,５００円（消費税込、資料付）
〔１社２名以上同時申込の場合のみ１名につき４４,０００円〕

〔大学、公的機関、医療機関の方には割引制度があります。詳しくは上部の「アカデミック価格」をご覧下さい〕

【講座の趣旨】
ディープラーニングによる外観検査AIは、いまや研究段階を超えて実用フェーズに入り、 少ないデータでも高精度な検査が可能になりつつあります。本セミナーでは、まず外観検査AIの基礎と なる異常検知の考え方を解説したうえで、学習データを用いないZero-shot手法、少量データで高性能 を狙うFew-shot手法、数十枚程度の画像から構築できる最新の高性能検査AIまでを体系的に紹介しま す。各手法の特性や適した現場、導入の進め方やつまずきやすいポイントを具体例とともに示し、現場 導入につながる実践的な内容とします。

【講座内容】
１．特徴量と特徴空間
　　1.1 特徴量とは
　　1.2 特徴空間
　　1.3 クラスの概念

２．識別問題
　　2.1 識別問題とは
　　2.2 線形識別法
　　2.3 異常検知の考え方

３．基本的な検査AI
　　3.1 オートエンコーダ
　　　　（１）オートエンコーダの基礎
　　　　（２）畳み込みオートエンコーダ
　　　　（３）オートエンコーダの復元による異常検知
　　3.2 Deep SVDD
　　　　（１）Deep SVDDの基礎
　　　　（２）Deep SVDDによる異常検知
　　　　（３）オートエンコーダ＋Deep SVDD
　　3.3 Deep SAD

４．少量不良サンプルによる検査AI
　　4.1 PaDiM
　　4.2 Patch Core

５．画像生成AIを用いた検査AI
　　5.1 Anomaly Diffusion
　　5.2 GLASS
　　5.3 DiffusionAD

６．Zero-Shot、Few-shot検査AI
　　6.1 CLIPベースの検査AI
　　6.2 Vision Language Modelを使ったセンサAI

７．運用方法
　　7.1 データの集め方とデータの重要性
　　7.2 データ拡張
　　7.3 異常検知手法の選択方法
　　7.4 学習方法
　　7.5 異常検知における性能評価
　　　　（Confusion matrix、ROCカーブとAUC、性能評価法）
　　7.6 チューニング方法

８．まとめ

【質疑応答】