ここでは、 gLupe でどのようなことができるのかをご紹介致します。

少ない、正常データのみで学習可能
AI の代表技術 Deep Learning は機械学習手法の中でも精度良く学習してくれますが、その代わり大量の学習データを必要とします。これをこのまま外観検査に適用しようとすると、 Deep Learning の学習を始める前の、データ集めの段階で非常に時間・労力が掛かってしまいます。
gLupe は Deep Learning を応用した AI エンジンを搭載していますが、 ISP 独自の技術によって少ない学習データ、かつ正常データのみで学習することができます。少ないとは実際にどれくらいなのか、と気になるところですが、対象の製品・検出したい異常にもよりますが 20 〜 50枚程度の正常データ(と、学習後の評価用として異常データ各数枚)を準備できれば、まずはどのように検出できるのかが評価できるでしょう。
gLupe の構成
ISP 外観検査ソフトウェア gLupe は開発キットの形態を取っており、既にお使いの、あるいはこれから開発を検討されている外観検査システムに組み込んでお使い頂けます。提供する構成は以下のようになっております。
学習・評価用アプリケーション
この異常度マップに基づいて元画像にヒートマップがオーバレイされ、どの辺に異常があるかを視覚的に表現することができます。
学習モデルはエクスポートでき、次にご紹介する 推論ソフトウェア開発キット を使って外観検査システムに組み込むことができます。
推論ソフトウェア開発キット

gLupe の使い方
gLupe を使う上で最初に考えるべき重要なポイントは、入力する画像データと出力される結果の使い方です。以下にコツを簡単にご紹介します。
データの撮り方
gLupe に与える画像データは、一般的な画像処理ベースの外観検査システムと比較して撮影条件(対象物の位置、光の当たり方など)にはそれほどシビアではありませんが、どのような撮り方でも良いわけではありません。少ないデータで学習する都合上、正常とする“状態”のバリエーションが多いと学習しきれないことになります。
対象物の位置・角度、照明の当たり方など、撮影条件は極力一定になるようにしてください。
“異常”の判定
例えば、学習・評価用アプリケーションのように異常度の閾値を決め、一定の異常度を超えたら“異常”とする、といった使い方が考えられます。
最後に
本記事では gLupe の簡単なご紹介と、ちょっとしたコツをご説明しました。 gLupe のさらなる製品情報につきましては gLupe 製品サイト (https://glupe.jp/) をご覧ください。また、 gLupe を使う上でのもう少し詳しい技術的なコツは、後日ご紹介する予定です。