ディープラーニング異常検知システム
AISIA（アイシア）-ADは、ディープラーニングの画像認識を使った最先端の外観検査システムです。
AISIA-ADとは
AI異常検知に必要な機能をパッケージ化した製品
これまで機械を使った製品検査は、サイズや温度、圧力などのセンサーデータをもとにした検査装置が使われていました。しかし、これらの装置で検査できる範囲は限定的で、工場内にはいまだに人が目視で検査しているラインが数多くあります。
ディープラーニング技術の登場により、人でしかできなかった異常検知をAIが行うことが可能になりました。この技術革新を背景に、いくつかの生産現場においてAIによる異常検知の実用化に向けたPoC（実現可能性検証） が取り組まれています。しかし、現状では AIのモデルをイチから手探りで作成しているため、コストと時間が非常にかかってしまい、普及促進に対する大きなネックとなっています。
そこで、当社は「ディープラーニングを使った異常検知」を行うのに必要な機能をオールインワンで備えた異常検知システム「AISIA-AD」を製品化しました。AIに不慣れなユーザーやベンダーでも簡単に使えるため、すそ野を広げて、より多くの企業 が AI を使った異常検知を短期導入できるようになります。
AISIA-ADの主な特徴
異常検知に必要な機能をオールインワンで装備
イチからAIモデルを作成するのではなく、学習データ管理、ラベル付け（アノテーション）、機械学習（ディープラーニング）、エッジークラウド連携、オブジェクト検知、正常・異常判定、異常箇所表示（ヒートマップ）、監視・訂正（モニタリング）、追加学習（アクティブラーニング）など異常検知に必要な機能をオールインワンで装備しています。
クラウドにデータを上げたくない場合は、ローカル環境でも学習できます。
クラウドで学習し、エッジで異常判定
学習プロセスは、学習環境が整備されているクラウドMicrosoft Azure Learning Serviceを使っており、学習済の分類器は、Azure IoT Hub/Edgeを使って簡単にエッジコンピュータに格納（デプロイ）できます。
エッジでは、製造ライン上の製品をカメラで撮影し、動画の中の製品（オブジェクト）を自動検知した上で、分類器によって正常異常を判定します。異常検知状況はリアルタイムにモニタリングできるほか、人が介在して正常異常の最終確認を行ったり、異常個所にヒートマップ（印）を付けたりできます。
エッジコンピュータの判定結果がリアルタイムで管理サーバーに送られ、 必要に応じて確認および訂正することができます。
「正常のみ学習」と「正常異常の両方学習」の2つのモデルに対応
正常品のみ学習するモデルでは、生成モデルを利用し、当社独自技術のChameleon filterを使ってノイズと異常を高精度で見分けて異常箇所をヒートマップ表示します。
正常異常の両方を学習するモデルでは、畳み込みニューラルネットワーク(CNN)を使って高精度な判定が行えます。転移学習や水増しなどの技術により、少ない学習データで学習できる仕組みを標準装備していますので、異常品のデータが少なくても対応できます。
動画ベースの異常検知
入力データとなる動画はパラパラ漫画のように複数の静止画（フレーム）から構成されます。動画オブジェクト検知では、異なる種類の製品（ワッシャーとスポンジなど）も検知し、 当社独自技術のMother’s eyeにより各フレームに映る製品が同一かどうかを自動判定します。また、同一製品の異常判定がフレームごとに異なる場合には、Moving majority vote機能により高確率で正常異常を判断します。
なお、動画ベースの異常検知システムですが、もちろんより単純な静止画にも完全対応しています。人間が手作業でカメラ下に製品を置く場合やカメラの下に来たときに自動検知して1枚ずつ静止画を取る場合など、さまざまなケースに対応できます。
トータルサポート
異常検知では、カメラや照明、フィルタや拡散板などハードウェアも非常に重要です。また、エッジコンピュータも必ずしもGPUだけが解ではなく、判定処理はCPUでも十分なパフォーマンスを得られる場合もあります。当社は、それぞれの専門企業と連携して、ニーズに合ったコストパフォーマンスがよいハードウェアを選定します。
AISIA-ADのシステム環境
Azure Machine Learningで学習し、エッジにデプロイ
・学習は、学習に最適な環境が整備されているMicrosoft Azure Machine Learning Serviceを利用。学習データをセキュアに蓄積・管理でき、学習済の学習器をAzure IoT Hubを使って簡単にエッジコンピュータにデプロイ（格納）できます。
・異常検知処理は、高速リアルタイムに判定できるエッジコンピュータでAI判定。エッジで判定したデータは、リアルタイムの異常検知管理サーバーに送られ、必要に応じて人がモニタリングして、正誤確認を行うこともできます。
(1) 学習プロセス
学習データは、ビッグデータをセキュアに管理できるAzureクラウドに格納し、正常・異常の両方を学習する教師あり学習の場合は、アノテーションツールを使って簡単に教師ラベル付けします。Azure Machine Learning Serviceには機械学習を行うために必要な機能が完備されているので、学習方法に応じて最適なライブラリを使って学習します。ここでディープラーニングの学習としては、対象製品を検知するオブジェクト検出と正常異常を分類する異常判定の2種類あります。目標の認識率に達したら、学習済のAIモデル（分類器）をAzure IoT Hub/Edgeを使ってEdgeサーバーに配布します。
(2) 判定プロセス
判定プロセスでは、カメラでとらえた動画/静止画の中から対象製品をオブジェクト検出し、分類器(AI）が認識したオブジェクト（製品）が正常か異常かを判定します。判定結果は、人間が一目で異常と判断した箇所を特定できるようにヒートマップを付けた状態で、エッジコンピュータから管理コンピュータにリアルタイムに送られます。人間は、必要に応じてこの画像をモニタリングし、分類器の判定が間違っていた場合は適宜訂正することができます。
AISIA-ADの機能構成
当社独自の技術により異常検知に必要な機能をオールインワンで完備しています。
AISIA-ADの導入手順
「うちの工場のあの検査で使えないだろうか？」と思ったらお気軽にお問合せください。AISIA-ADで実現できそうな異常検知かどうかを一次判断し、行けそうと判断した場合にPoC（実現可能性検証）に向けたご提案をいたします。
１.お問い合わせ [無償]
うちの現場で使えないかと思ったら、お気軽にお問合せください。
２.構想フェーズ[無償]
NDA（機密保持契約）を結んだ上で、製品の画像などを頂いたり、工場見学したりして、実現可能性について一次判断します。現状の課題、撮影方法、スコープ、目標値などをヒアリングし、AISIA-ADで実現可能性が高いと判断した場合にPoC提案書＆見積を提出します。
３.PoC（proof of concept：実現可能性検証）[有償]
当社のラボもしくはお客様の現場にカメラや照明など必要器材を付けて実証実験を行い、実現可能性を確認します。検証結果と本番運用フェーズに行くかどうかの判断材料を取りまとめたPoC報告書を提出し、次のフェーズにゆくかどうか判断していただきます。検証はAISIA-ADで行いますが、この段階ではPoCにかかる作業費のみで、まだAISIA-ADの料金はいただきません。
４.実用化フェーズ [有償]
AISIA導入サポートや追加検証・開発、教育・技術支援などを行います。目標達成に向けた精度向上や本番稼働後にお客様自身で追加学習できるための指導などを行います。
５.運用保守フェーズ [有償]
本番稼働後は、AISIA-ADの保守、運用サポート、技術支援、最新技術情報の提供などを行い、お客様が安心してお使いいただけるようにサポートします。
提出ドキュメント
PoCの標準スケジュール
