少数サンプル学習は、産業用ビジョンを導入するうえで現実的な経路になりつつある。1クラスあたり数十枚、場合によっては十数枚の欠陥サンプルだけで検出モデルを稼働させることができ、以前のように数千枚のアノテーション済み画像を蓄積してから着手する必要はない。
ここ数年の産業用ビジョンにおける最大の悩みは、アルゴリズムが強くないことではなく、サンプルが足りないことだ。欠陥そのものが低確率の事象であり、ラインが1週間に生み出す不適合品は数十個程度で、しかもそれを傷、汚れ、打痕、欠肉といったカテゴリに分けるため、1カテゴリあたり1桁の枚数しか残らない。データを積み上げて精度を出すという従来のディープラーニングの道は、工場現場では通用しないことが多い。だからこそ少数サンプル学習が繰り返し取り上げられる。
1. 中核概念と技術的定義
少数サンプル学習とは、1クラスあたりのアノテーション済みサンプルがごく少数、通常は数枚から数十枚しかない状況でも、モデルが分類または検出タスクを完了できる学習手法を指す。従来の教師あり学習との違いはネットワーク構造ではなく訓練の目的にある。従来の手法は大量の同一クラスのデータ上で分布を当てはめることを目指すのに対し、少数サンプル学習は「比較すること」を学ぶ。モデルに2枚の画像の類似度を測り、微妙な差異を識別する能力を与えることで、新しい欠陥種別が現れたときに少数の参照サンプルだけで判断できるようにする。
産業用ビジョンの文脈では、少数サンプル学習は通常、異常検知、距離学習、転移学習とともに現れる。異常検知は良品サンプルしかないシーンを扱い、距離学習は欠陥クラスが多く1クラスあたりのサンプルが少ないシーンを扱い、転移学習は汎用ビジョンの基盤モデルの能力を特定のラインへ持ち込む。この三者が組み合わさって、現在の産業用少数サンプル検査の主流技術スタックを形成している。
2. 技術原理と主要な能力
少数サンプル学習は、いくつかの重要な仕組みによって機能する。
1. 事前学習特徴の再利用。大規模な汎用画像データで事前学習したビジョンバックボーンは、エッジ、テクスチャ、色分布といった低次特徴をすでに学習しており、これらの特徴は産業用の欠陥にも同等に有効である。ライン側では軽量なファインチューニングを行うだけでよく、ゼロから訓練する必要はない。これが少数サンプル手法が機能する前提条件である。
2. 距離と対比。モデルはこれが何の欠陥かを直接出力するのではなく、この画像が参照サンプルとどれだけ似ているかを出力する。対比学習は同じ欠陥クラスの特徴を近づけ、異なるクラスを遠ざけるため、サンプルがごく少なくても決定境界が保たれる。代表的な手法にはシャムネットワークやプロトタイプネットワークがある。
3. データ拡張と合成。産業シーンでの拡張は、単純な回転や反転ではなく、実際の撮像変化の模擬である。照明の変動、レンズ歪み、モーションブラー、背景テクスチャの置換などだ。一部のソリューションでは生成モデルを用いて欠陥サンプルを合成し、クラス不均衡を緩和する。
4. オンライン反復の能力。ライン上で新しい欠陥種別が現れるのは日常であり、少数サンプルソリューションは、実験室へ戻って再訓練するのではなく、現場で少数のサンプルを追加してモデルを更新できる必要がある。この能力が、ソリューションが工場現場で本当に生き残れるかどうかを決める。
3. 製造業における典型的な適用シーン
例えば、電子工場でコネクタの外観を検査する場合、欠陥にはピンの曲がり、樹脂本体のバリ、端子の酸化が含まれる。各欠陥クラスは1か月に20枚も集まらず、従来のビジョンと手動ルールの組み合わせでは段取りのたびにパラメータを再調整する必要があった。少数サンプルソリューションであれば、欠陥クラスごとに10枚程度のアノテーション済みサンプルを現場で集めれば、当日に初版を稼働させられる。後から新しい形態が現れた場合も、数枚の画像を追加して増分更新すれば足りる。こうしたシーンは少数サンプル手法への需要が最も直接的である。欠陥種別が多く、1クラスあたりのサンプルが少なく、切替が頻繁だからだ。
自動車部品メーカーが鋳造品の表面検査を行う場合を考えてみよう。鋳造欠陥は形態がランダムで、ブローホール、引け巣、割れは見た目が大きく異なり、良品のサンプルが不良品をはるかに上回る。こうしたシーンは異常検知と少数サンプル分類の組み合わせに適する。まず良品サンプルから正常分布の基準を作り、そこから外れる領域を切り出し、次に少数の欠陥サンプルで疑わしい領域を分類する。これにより大規模な欠陥アノテーションを避けつつ、欠陥種別を区別する能力を保てる。
第三のシーンは食品包装の印刷品質検査である。包装は版を頻繁に替え、版ごとに文字も図柄も異なるが、見当ずれ、インク飛び、印字欠けといった欠陥の種類は共通している。少数サンプル学習の価値は、欠陥がどのような見え方をするかという知識を版をまたいで転移させることにあり、新しい版では版ごとに個別モデルを作らずに少数サンプルで適応できる。
4. 選定の要点と導入の助言
少数サンプルのビジョンソリューションを選ぶ際には、いくつかの点に注意を払うべきだ。
第一に、本当に少数サンプルでの増分更新に対応しているかを確認する。パンフレットで少数サンプルと謳いながら、実際の導入では数百枚の画像が必要というケースは少なくない。サプライヤには、自社の画像10枚を使ってその場でテストしてもらい、その日に使えるモデルができるかを確認すべきだ。
第二に、特徴抽出のバックボーンがどこから来たものか、適応性がどれだけあるかを見る。強力な汎用基盤モデルの特徴を土台にしたソリューションは、テクスチャ系の欠陥に対してより安定する傾向がある。ただし、光源、レンズ、ステーションなど自社業界の撮像条件に適応済みかどうかも確認する必要がある。
第三に、既存のラインシステムとの接続方法を見る。少数サンプルモデルも最終的には検査タクトに組み込まれるため、推論速度、配備形態(エッジボックスか産業用PCか)、PLCとの通信プロトコルを事前に確認しなければならない。
導入に当たっては、欠陥種別が比較的固定され、サンプル蓄積が最も難しいパイロットラインから始め、サンプル収集、アノテーション、訓練、稼働、増分更新という連鎖を回してから横展開する。すべてのラインへ一度に展開してはならない。少数サンプルソリューションの価値は反復の速さにあり、一度きりのカバレッジにはない。
5. 動向の見通しとまとめ
さらに先を見据えると、産業用ビジョンにおける少数サンプル学習は三つの方向へ進む。第一はビジョン基盤モデルとの結合であり、より強力な汎用特徴によって業界サンプルへの依存を下げる。第二はラベルなしまたは弱ラベル学習への移行であり、現場作業者の経験を直接モデルの入力へ変える。第三は生成によるデータ合成との連携であり、極めて希少な欠陥種別を合成サンプルで補う。
現実に立ち返れば、少数サンプル学習は万能薬ではない。サンプルが少ないという特定の制約を解決するものであり、撮像品質の悪さや欠陥定義の曖昧さといった、より根本的な問題を解決するものではない。ラインがまず行うべきは、光源、レンズ、ステーションという物理的条件を確実にすることだ。サンプルの少なさはアルゴリズムで補えるが、悪い撮像は誰にも救えない。
ERP時代から数十年にわたり事業を展開し、120万社の顧客にサービスを提供し、国内外の市場で数千万台の端末を導入してきたベンダーの産業的な蓄積が示すのは一つのことだ。産業用ビジョンの競争は単点のアルゴリズムではなく、そのアルゴリズムをラインのタクトへ安定して組み込めるかどうかにある。少数サンプル学習はより軽い入口を提供するが、残りは依然としてエンジニアリングの仕事である。