【東芝】製品の不良や欠陥を高精度にグループ化する教師なし画像分類AIを開発

－複雑な背景パターンにつられずに不良や欠陥の分類精度を大幅に向上、検査の効率化をすすめ製造現場の生産性向上に貢献－

２０２４－５－８
株式会社　東芝


製品の不良や欠陥を高精度にグループ化する教師なし画像分類AIを開発
－複雑な背景パターンにつられずに不良や欠陥の分類精度を大幅に向上、
検査の効率化をすすめ製造現場の生産性向上に貢献－

概要
当社は、製造現場に蓄積した検査画像における不良や欠陥の種類を教示作業なしでグループ化する「教師なし画像分類AI」に対し、独自の深層学習AIを用いることにより、ベンチマーク画像に対する分類精度を従来の27.6%から83.0%へと大幅に向上させることに成功しました。
「教師なし画像分類AI」は、製品検査をする上で不要となる背景パターンの特徴もAIが認識してしまい分類精度が落ちることが課題でしたが、本AIは背景パターンから不要な特徴を無視し、製品の不良や欠陥に関する重要な特徴のみを学習して、高精度に画像を分類します。
本AIにより、手間のかかる手作業なしに、半導体などの複雑な製品パターンを持つ検査画像を、不良や欠陥の特徴毎に高精度に分類し、品質改善に向けた分析プロセスを加速させることができます。
当社は本AIの詳細を、2024年5月7日から10日にかけて台湾で開催される国際会議PAKDD2024（Pacific-Asia Conference on Knowledge Discovery and Data Mining）（*1）で発表します。

開発の背景
近年、製造業における検査において、検査画像を分類することで、不良や欠陥の発生状況を早期に把握し、生産性を向上させる高精度な画像分類AIに対するニーズが高まっています。AIには、分類する対象や判断基準を人手でAIに教示する「教師ありAI」と、AIが自ら対象の特徴を学ぶ「教師なしAI」があります。一般的に、「教師ありAI」においてより高い分類精度が期待できますが、人手による教示作業のコストが高く、製造現場におけるAIの普及の障壁となっています。「教師なしAI」は導入が容易で、人間が想定していない画像の特徴も学習できるメリットがあり、製造方法の変更などで発生した予期せぬ不良や欠陥を分類できることが期待される一方で、分類精度の向上が課題となっています。
そこで現在、「教師なしAI」の精度を上げる研究開発が進められていますが、従来の「教師なし画像分類AI」は、グループ化に影響を与える重要な特徴の識別が難しく、製品検査では不要な背景などの特徴（図1）で画像を分類してしまう課題がありました。例えば、空の色のように単純な背景の影響は無視できるものの、半導体の回路のように複雑な背景の場合には、背景につられて本来識別したい不良や欠陥の分類精度が低下してしまいます。