ナレッジセンター
目次

産業用ビジョンにおける少数サンプル学習の進展

産業用ビジョンにおける少数サンプル学習の進展は、ラインの段取りに必要な欠陥サンプルを数百枚の画像から数枚、あるいは数十枚へ圧縮し、新製品がラインに投入された当日に外観検査モデルを訓練して配備できるようにする点に集約される。解決するのは検出精度の不足ではなく、産業用ビジョンを長年妨げてきた古い課題、すなわちサンプルが揃わず段取りが待てないという問題である。多品種少量の離散製造にとって、この能力は精度を数ポイント上げることよりも実務的に重要だ。

1. 少数サンプル学習は産業用ビジョンにとって実際に何を解決するのか

従来の産業用ビジョンには二つの道がある。一つはエッジ、濃淡、テンプレートマッチングに依存するルールベースのアルゴリズムで、入荷部品が少し変わっただけで誤判定する。もう一つは教師ありのディープラーニング検出で、数百から数千枚の欠陥画像のアノテーションを必要とする。困るのは、多くの工程で欠陥が低頻度事象であることだ。ラインが1か月に生み出す不適合品は数十個しかないこともあり、サンプルは蓄積できない。新製品の導入段階はさらに典型的で、量産前のどこに欠陥サンプルがあるというのだろうか。

少数サンプル学習はまさにこの矛盾に応える。少数のアノテーション済みサンプルと事前知識を用いて、ごく少数の例から識別できる能力をモデルに与える。業界でよく言及されるN-way K-shotの設定では、Kは通常1から10、つまり欠陥クラスごとに1枚から10枚の画像である。工場にとってこれは、エンジニアが限界サンプルを数枚撮影すればモデルを動かし始められ、その後にラインデータで反復できることを意味する。

2. その技術原理と主要な能力はどのパラメータに現れるか

主流のアプローチは三つの技術経路に分かれる。第一はデータ拡張と合成で、幾何変換、照明シミュレーション、テクスチャ合成によって少数のサンプルを拡張し、あるいは生成モデルで訓練時の困難サンプルを補う。第二は距離学習で、代表例はシャムネットワークとプロトタイプネットワークであり、ある欠陥がどんな見た目かを記憶するのではなく、2枚の画像が同じ欠陥クラスに属するかという距離尺度を学ぶため、新しいクラスを追加してもネットワーク全体を再訓練する必要がない。第三は事前学習バックボーンを用いた転移学習で、大規模な自然画像または産業画像で事前学習したモデルを特徴抽出に用い、分類ヘッドを少数サンプルでファインチューニングする。

検証可能な指標としては、産業用ビジョンは通常次の点を重視する。検出タクトはラインと整合させる必要があり、一般に1部品あたり数十から数百ミリ秒での検査が求められる。画像解像度は工程に依存し、SMT部品検査では1mmあたり十数画素を実現できることが多く、表面欠陥検査では微小な傷のためにさらに高い要求となる。K=5設定での分類精度は、公開研究やエンジニアリング実務の多くで90%以上に達するが、具体的な値はクラス間の差異と撮像品質に大きく依存し、一般化はできない。統合面では、画像は通常GigE VisionまたはUSB3 Visionで取得され、システムはOPC-UAやModbus TCPでPLCやMESと連携し、判定結果と保存画像を返す。

3. 製造業のどの工程が先に採用したか

例えば、電子工場が多品種少量のPCBA加工を行い、SMTの切替が頻繁で、製品切替のたびにAOI検査プログラムを再調整する必要があるとする。ブリッジ、未溶着、マンハッタン現象といったはんだ欠陥は形態のばらつきが大きく、新機種には履歴サンプルがない。少数サンプルソリューションであれば、工程エンジニアがIPC-A-610の合否基準に沿って十数枚の典型画像を選べば、当日に新機種の検査を稼働させられ、その後ラインでの誤判定や流出をフィードバックして増分訓練できる。

例えば自動車部品メーカーがダイカストの表面を検査する場合、ブローホール、引け巣、かすり傷といった欠陥は低頻度で発生し、人手の目視検査は一致性が悪い。少数サンプルソリューションは、まず少数の欠陥サンプルからベースラインモデルを構築し、良品サンプルと組み合わせた異常検知を併用して、過去に見たことはないが正常に見えない部品を抽出して人によるレビューへ回し、サンプルの蓄積に応じて分類を精緻化できる。

もう一つのシーンは、新製品の試作における品質のフロントローディングである。金型を作ったばかりで工程が固まっていない段階では欠陥サンプルはほぼゼロであり、少数サンプル学習で迅速に試作検証を行うほうが、量産でサンプルが溜まるのを待ってからビジョンシステムを導入するよりはるかに速い。

4. 選定と導入で押さえるべき課題は何か

第一の頻出課題は、ハードウェアを入れ替える必要があるかというものだ。ほとんどの少数サンプルソリューションは、撮像条件への要求を下げるのではなく高める。サンプルが少ないため、モデルは照明と背景の変化に敏感になるからだ。安定した光源、固定されたステーション、適切なレンズと解像度が前提であり、照明方案が悪ければアルゴリズムの強さでは補えない。

第二はサンプルの選び方である。少数サンプルとは、適当に数枚撮影することではない。サンプル選定は主要な欠陥形態と境界ケースをカバーしなければならず、アノテーションは合否基準に厳密に整合させる必要がある。そうでなければ、数枚の誤ったラベルの影響は、大サンプルの時代よりもはるかに大きい。

第三は統合方式である。既存のMESやSCADAへ接続できるか、画像取得のトリガがソフトウェアかハードウェアか、判定結果をステーション単位・バッチ単位で保存できるかを確認する。これらはその後のトレーサビリティを直接左右する。

第四は導入スケジュールである。少数サンプルの価値は速さにあり、サンプル収集とアノテーションからモデル稼働まで通常は日単位で数えられるが、ライン検収と誤判定率の収束には試運転期間が必要であり、初日から誤判定ゼロを期待してはならない。

第五はコスト構造である。主にアルゴリズムのライセンスではなく、撮像ハードウェア、産業用PCまたはエッジ演算、そして継続的なサンプル保守の人件費にある。サンプルフィードバックの仕組みがしっかりしていなければ、モデルは時間とともにドリフトする。

5. どの工程に適し、どのシーンに適さないか

適するシーンは比較的明確である。多品種少量で切替が頻繁な離散製造の工程、欠陥が低頻度でサンプルが自然に少ない環、新製品の試作時に検査の実現性を迅速に検証したい場面、入荷の一致性と撮像条件が比較的制御可能なステーションである。

適さないケースも明確に述べておくべきだ。強反射、大きな変形、乱雑な背景のシーンでは、少数サンプルモデルの安定性は目に見えて低下するため、まず撮像を解決しなければならない。欠陥定義自体が曖昧で、人による再判定でも一致性が低い工程では、少数サンプルをいくら工夫しても安定した境界は学べない。ミクロン級の寸法測定のように極めて高い精度が要求される計測級の検査では、従来のビジョンと専用の測定器を主たる手段とすべきだ。さらに、少数サンプルはメンテナンスフリーではない。サンプルフィードバックと定期的な評価の仕組みがなければ、モデルはやはり劣化する。

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産業ソフトウェアとスマートマニファクチャリングのベンダーは、こうした能力を既存のビジョンプラットフォームやMESの環に組み込む際に、通常一つの点を強調する。アルゴリズムは一部分にすぎず、撮像、サンプル管理、ライン統合がしっかりしてこそ、少数サンプル学習は産業の現場に真に根付く。

分野: AI画像認識百科