【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

[画像1]https://digitalpr.jp/simg/1398/87972/350_122_20240509205142663cb8ceefef8.png


図1： 製造工程で取得する検査画像の例
（a）正常な製品パターン（不要な背景の特徴）（b）欠陥が発生した製品

本技術の特徴
背景パターンの画像から不要な特徴の学習を抑制することで、分類対象が含まれる目的画像から不良や欠陥などの重要な特徴のみを識別する教師なし画像分類AIを開発しました（図2）。本AIは、深層学習AIを用いて背景パターンに含まれる不要な特徴を学習する「背景特徴抽出ネットワーク」を新たに導入し、不良や欠陥が含まれる目的画像の特徴を学習する「注目特徴抽出ネットワーク」と組み合わせました。これにより、背景パターンの不要な特徴を無視しつつ、目的画像から必要な特徴を効率的に抽出し、不良や欠陥を高精度に識別・分類することができます。
当社は、実際の製品の背景パターンを模したベンチマーク画像を用いて本AIを評価しました。縞模様を持つ背景パターン画像と、縞模様の背景画像の上に手書き数字が重なる画像を使用し、分類精度の検証を行ったころ、分類精度が従来の27.6％から83.0％に大幅に向上し、製造現場における実用化に十分なレベルを達成しました。従来では、背景の縞模様の影響で手書き数字と背景の組み合わせで細かくグループが分かれていましたが、本AIにより、目的の特徴である手書き数字のみの特徴でグループが分かれ、分類精度が向上しています（図3）。
本技術は、製造ラインの検査で蓄積される良品の検査画像を背景パターンに用いることで、製造工程でも効率的に活用することが可能です。背景パターンは対象画像の背景と厳密に一致する必要がないため、背景パターン画像の選定作業にかかる時間も削減できます。
本AIを製造現場の検査工程に適用することにより、品質管理の精度と効率が大きく向上することが期待されます。また、本技術による自動化により、技術者はより高度な分析プロセスに労力をかけることが可能となり、製造における全体的な歩留まりの改善につながります。
本AIは製造分野の検査工程への適用だけでなく、天気や季節変動による背景の変動の影響で分類が困難だった監視カメラ画像への適用が見込めます。


[画像2]https://digitalpr.jp/simg/1398/87972/350_144_20240509205148663cb8d493f42.png


図2： 不要な特徴の影響を抑制する教師なし画像分類AIの概要




[画像3]https://digitalpr.jp/simg/1398/87972/350_172_20240509205152663cb8d88f761.png


図3： 本AIによるベンチマーク画像の分類結果の例

今後の展望
当社は、今後、本AIを当社グループの半導体工場に導入し、さまざまな検査工程・製品に適用し、性能実証を行う計画です。実証結果を踏まえた改良およびさらなる精度向上を進め、早期の実用化を目指します。

*1　https://pakdd.org/