住友電工とデータグリッド、不良判定AIを作成するために必要な実在する不良データ量を8割削減することに成功

製造現場では、熟練作業員が外観検査で行っているような、多様な不良判定を自動化する不良判定AIが求められているが、開発には大量の実不良画像が必要であり、不良発生頻度が低い製造現場では、データ収集に長期間要することが課題となっていた。

そうした中、株式会社データグリッドと住友電気工業株式会社は、住友電工が持つ不良判定技術と、データグリッドが持つ疑似不良生成技術を組合せ、苦手克服学習技術(弱点トレーニング・ループ)を付与した独自の不良判定AIを共同開発している。

そして、不良判定AIを作成するために必要な、実在する不良データ量の8割削減に成功したことを発表した。また、不良判定AIの開発期間を8か月短縮できることも明らかにし、疑似不良生成技術の高い有用性が確認された。

住友電工とデータグリッド、不良判定AIを作成するために必要な実在する不良データ量を8割削減することに成功
疑似不良生成技術の概要図

具体的には、住友電工で製造する2種の工業製品において、疑似不良生成技術を用いて、実在する不良画像を学習することで、不良画像の特徴を捉え、実在する不良画像そっくりの疑似不良画像の作成に成功した。(トップ画参照)

さらに、工業製品Aの疑似不良画像を使い、疑似不良生成技術と苦手克服学習技術(弱点トレーニング・ループ)の不良判定AIの開発高速化に対する効果検証を実施。

住友電工とデータグリッド、不良判定AIを作成するために必要な実在する不良データ量を8割削減することに成功
苦手克服学習技術(弱点トレーニング・ループ)の概要図。ごく僅かな学習データから不良判定AIの開発を可能とする一連の苦手を克服するための学習ループのこと。

その結果、実在する不良画像の必要量を約8割削減することが可能になり、それに伴ってデータを収集するために要する期間を1/5に減らすことが可能であることが確認された。

また、この疑似不良生成技術は、不良プロパティ(形状・大きさ・位置などのパラメータ)を操作できるため、新しい不良についても疑似不良画像を生成することができる。

両社は今後も、人手で行われている外観検査工程を自動化するなど、製造現場の工程を自動化に取り組んでいくとしている。