少数ショット学習は、産業用外観検査を導入するうえでの中核的な突破口になりつつあり、ラインは数十枚、ときに十数枚の欠陥サンプルだけで実用的な検査モデルを素早く学習できる。
近年、3C電子機器、自動車部品、新エネルギー電池における産業ビジョンの浸透率は上がり続けているが、プロジェクトの納期を実際に制約しているのはカメラや演算能力ではなく、欠陥サンプルの少なさであることが多い。新しいラインは稼働を始めたばかりで歩留まりも安定しておらず、数日に1回しか出ない欠陥もあり、学習用の画像を数百枚集めるのに数か月かかる。少数ショット学習はまさにこのボトルネックを狙う。
1. 中核概念と技術的定義
少数ショット学習は機械学習の一分野である。あるクラスのラベリング済みサンプルが極端に乏しいときに、有効な分類やセグメンテーションを完了する問題を扱う。産業ビジョンの文脈では通常、1クラスあたり5〜30枚のラベリング済み画像だけで、モデルがその欠陥クラスを認識できるよう学習することを意味する。
これは大規模データに依存する従来の深層学習の論理とは異なる。従来の教師あり学習は、同じ欠陥の画像を数百枚から数千枚そろえて特徴分布を当てはめる必要があるが、少数ショット学習はメタ学習、距離学習、データ拡張、事前学習モデルの微調整を戦略として、素早く学ぶ方法を学ぶことを学習目標にする。N-way K-shotと呼ばれる古典的な評価設定は、NクラスそれぞれKサンプルという意味である。
2. 技術原理と主要能力
少数ショット学習は3つの水準で理解できる。
1. 特徴表現。モデルはまず大規模な汎用データセットで事前学習し、エッジ、テクスチャ、色分布といった低次の視覚特徴を学び、それを産業欠陥の場面へ転移する。産業欠陥は本質的に局所的なテクスチャや形状の異常であるため、事前学習した特徴は転移可能である。業界の多くのソリューションは自己教師あり事前学習を用い、ラベルのない産業画像でまず対照学習を行い、金属の反射、布地のテクスチャ、PCBの配線といったドメイン内の特徴にモデルを敏感にする。
2. 距離尺度とマッチング。典型的な方法は、サポートセットのサンプルとクエリサンプルを同じ埋め込み空間へ写像し、コサイン類似度やユークリッド距離で帰属を判定する。代表例がプロトタイプネットワークで、欠陥クラスごとに少数サンプルの特徴平均をプロトタイプとし、テスト画像を最も近いプロトタイプに割り当てる。必要なデータが少なく、新しい欠陥クラスを追加するときも、ネットワーク全体を再学習せずにプロトタイプを追加するだけで済む。
3. データと拡張。サンプルが極端に少ないときは、いかに妥当なサンプルを作るかが重要になる。産業の場面では一般に、幾何変換、照明摂動、テクスチャ合成、欠陥の貼り付けでデータを拡張する。さらに生成モデルを組み合わせ、現実的な欠陥を良品サンプルへ貼り付けるソリューションもあり、陽性サンプルを増やしつつ、単純な複製による過学習を避けられる。
主要能力は3点にまとめられる。迅速なコールドスタートで生産初期から検査を稼働できること、増分的な拡張性で新しい欠陥に少量のラベリングだけで対応できること、そしてロングテール欠陥への対応力で、年に数回しか出ない希少な欠陥にもモデル化の余地があることである。
3. 製造業における典型的な適用場面
電子機器工場がFPCフレキシブル基板の外観を検査する場合を想定する。FPCの欠陥は配線の欠け、異物、折れ跡、金面の酸化など多岐にわたるが、試作中は1日に数枚しか出ない欠陥もある。従来の方法なら3か月かけてデータを集めるところだが、少数ショット検査システムは欠陥クラスごとに15〜20枚で初期モデルを構築し、試作の1週目から稼働できる。その後はサンプルが自然に蓄積するにつれてモデルをさらに反復していく。
自動車部品メーカーが鋳造品の表面欠陥を検査する場合を想定する。気孔、砂穴、割れといった鋳造欠陥は形態の幅が広く、合金のロットによって反射の挙動も異なる。少数ショットのソリューションは、まず汎用の産業欠陥事前学習モデルを微調整し、そのうえで欠陥クラスごとに少数のサンプルでプロトタイプを校正する。ロットが変わるときは、新しいロットの良品サンプルを追加してドメイン適応させるだけでよく、大量の欠陥を再ラベリングする必要はない。
もう一つの場面は新エネルギー電池の電極塗工検査である。黒点、傷、箔の露出といった塗工欠陥は、ライン立ち上げ時にはサンプルがごく少ないが、流出のコストは大きい。少数ショット学習と高解像度撮像を組み合わせれば、サンプル不足時は教師なし異常検知に頼り、その後徐々に少数ショット分類へ移行することで、コールドスタートから安定稼働への滑らかな引き継ぎが実現する。
4. 選定の要点と導入アドバイス
製造業者が少数ショット外観検査ソリューションの導入を検討する場合、いくつかの実務的な点に注意すべきである。
第一に、事前学習のバックボーンが産業ドメインに適合しているかを確認する。汎用のImageNet事前学習モデルが産業欠陥で有用とは限らないため、産業画像で自己教師あり事前学習を行ったソリューションを優先する。第二に、増分学習の能力を確認する。ライン上の欠陥は変化するため、全面再学習ではなく少数サンプルで新クラスを追加できる必要がある。第三に、ラベリング効率に注目する。優れた少数ショットソリューションは、バウンディングボックス、スクリブル、あるいは正常のみのラベリングに対応し、現場作業者の操作障壁を下げるべきである。第四に、過検出と流出のバランスを検証する。少数ショット条件ではモデルの信頼度分布がずれることがあるため、しきい値の調整と人手レビューの仕組みを組み合わせて機能させる必要がある。第五に、既存ラインシステムとの接続方法を考える。単体の産業用PCか、既存のビジョンプラットフォームへの組み込みか。
導入は2段階を推奨する。まず少数ショットのソリューションで素早く稼働させ、そもそも検出できるかという問いに答える。その後サンプルが蓄積するにつれ、従来の教師ありモデル、あるいは少数ショットと従来型の併用へ徐々に移行し、どれだけ正確かという問いに答える。
5. 動向とまとめ
今後、産業ビジョンにおける少数ショット学習は3つの方向へ進む。一つはマルチモーダルとの組み合わせで、テキスト記述や工程パラメータを補助情報として取り込み、画像サンプルへの依存をさらに下げる。二つは継続学習との融合で、モデルがライン稼働中に新しい欠陥を発見し、少量のラベリングを要求してループを形成する。三つはエッジへの展開で、軽量な少数ショットモデルをカメラやエッジボックスに載せ、中央演算への依存を減らす。
製造業者にとって少数ショット学習の価値は、ラベリング画像を数枚節約することではなく、外観検査プロジェクトの納期を数か月から数週間へ圧縮し、より多くの多品種少量ラインがAIビジョンを導入できるようにすることにある。3200社以上のエンドユーザと、15以上の業界にまたがる120社超の顧客がすでにこうしたソリューションを推進しており、方向は明確である。サンプル不足はもはや障害ではなく、速い稼働が標準になる。