機械学習において大量の画像データを用意し入力する必要がありますが、実際には学習サンプルを大量に用意することが困難なことも多々あります。下図は学習サンプルが少ない場合の画像認識の例です。統計的なばらつきを考慮しつつ学習サンプルを擬似的に増やす工夫を行い、複雑な鋳造部品の画像から欠陥領域を正しく検出し、誤検出をゼロに抑えることに成功しています。この技術は精密工学会が主催する外観検査アルゴリズムコンテスト2013にて「最優秀賞」を受賞しました。

※画像提供：外観検査アルゴリズムコンテスト2013出題画像

ILC（国際直線型加速器）^*1で使用する超伝導空洞は、内部に欠陥があると超伝導状態が維持できなくなります。このため、超伝導空洞内をCCDカメラで撮影し、欠陥を検出する必要がありますが、膨大な超伝導空洞内の画像データから欠陥を目視で点検することは困難です。また、欠陥のバリエーションも多く、通常のパターン認識や形状認識手法では限界があります。当社では、様々な欠陥画像を機械学習することで、欠陥検出を行い、欠陥サンプルを全て検出することに成功しました。この手法は、欠陥の種類が増えた場合にも、学習をやり直すことで新たな種類の欠陥を検出することが可能です。

※画像提供：高エネルギー加速器研究機構　加速器研究施設　早野仁司教授

1. *1ILC（International Linear Collider：国際リニアコライダー）PROJECTは、全長約30kmの直線状の加速器をつくり、現在達成しうる最高エネルギーで電子と陽電子の衝突実験を行う計画です。宇宙初期に迫る高エネルギーの反応を作り出すことによって、宇宙創成の謎、時間と空間の謎、質量の謎に迫ります。

左右スクロールで表全体を閲覧できます

担当：情報通信研究部
電話：03-5281-5289