連続する複数の断面画像から細胞領域を3次元的に推定する手法を、外観検査アルゴリズムコンテスト2018^*1で提案しました。

この手法は、ディープラーニング(深層学習)と画像処理を組み合わせた手法です。本コンテストでは、細胞領域に関する正解情報が限定的・局所的にしか公開されませんでした。当社は、学習に使用可能な正解データが非常に限定的な状況においても学習を可能とするための工夫を行い、ディープラーニングによりスライス画像から細胞核・細胞質の領域を推定しました。さらに、個々の細胞領域の分離やスライス間の空間的な対応付けを画像処理により行いました。この手法は、同コンテストにて「優秀賞」および「レゾナンスバイオ賞」を受賞しました。

※入力画像・正解データ提供: 外観検査アルゴリズムコンテスト2018

1. *1精密工学会 画像応用技術専門委員会が主催する、外観検査プログラムの性能を競うコンテスト。

左右スクロールで表全体を閲覧できます

鋳造製品の非破壊検査の方法の1つに、X線CTによる内部検査があります。外観検査アルゴリズムコンテスト2019^*1は、CT画像から鋳巣（製品内部の空洞）を検出するというテーマで開催され、当社はディープラーニング(深層学習)を用いた手法を提案しました。

大域的な連続性を考慮しつつ鋳巣の細かな形状を推定するために、低解像度の特徴と高解像度の特徴を同時に考慮する新しい小型のニューラルネットワークを考案し、データ拡張や学習の目的関数の工夫も行いました。この手法は、同コンテストにて「最優秀賞」を受賞しました。

※入力画像, 正解ラベル情報提供: 外観検査アルゴリズムコンテスト2019。ただし正解ラベルは当社により加工してラベルごとにランダムに色付けをして表示。

1. *1 精密工学会 画像応用技術専門委員会が主催する、外観検査プログラムの性能を競うコンテスト。

左右スクロールで表全体を閲覧できます

X線CT画像の解析により、3次元的に積み重なった物体の検出・カウントが可能です。外観検査アルゴリズムコンテスト2020^*1では、容器内に格納された多数の工業部品を種類ごとにカウントすることがテーマとなりました。また外観検査アルゴリズムコンテスト2021では、容器内の部品に混在する欠損・変形部品の検知、および種類ごとのカウントがテーマとなりました。

撮影されたX線CTによる3次元データのデータ量は大きく、そのまま扱うと計算機リソースが大量に必要となります。当社は、3次元データを複数視点の2次元画像群に変換し、複数視点画像による形状認識を行うMV-CNN^*2を用いることで、高速かつ省メモリで推定を行う手法を提案しました。

この手法は、2020年のコンテストにて「最優秀賞」を、2021年のコンテストでは「理研ボクセル賞」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2020

1. *1精密工学会 画像応用技術専門委員会が主催する、外観検査プログラムの性能を競うコンテスト。
2. *2H. Su, S. Maji, E. Kalogerakis, Erik Learned-Miller, "Multi-view convolutional neural networks for 3d shape recognition. " Proceedings of the IEEE international conference on computer vision. (2015).

左右スクロールで表全体を閲覧できます

機械学習においては、学習データとして大量の画像を用意する必要がありますが、実際には学習データを大量に用意することが困難なケースがあります。鋳造部品の撮影画像から欠陥を検出するというテーマで開催された外観検査アルゴリズムコンテスト2013^*1も、学習データが非常に少ないケースでした。当社は、統計的なばらつきを考慮しつつ学習データを擬似的に増やすことで、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ました。この手法は同コンテストにて「最優秀賞」を受賞しました。

※鋳造部品画像提供: 外観検査アルゴリズムコンテスト2013

1. *1精密工学会 画像応用技術専門委員会が主催する、外観検査プログラムの性能を競うコンテスト。

左右スクロールで表全体を閲覧できます

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、超伝導空洞内の画像データは膨大で、すべての画像の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、機械学習を適用して欠陥検出を行いました。精度向上のために、誤検出・未検出データを学習データに追加して再学習を行うことを繰り返すことで学習データを調整し、欠陥サンプルをすべて抽出することに成功しました。機械学習を利用しているため、欠陥のバリエーションが増えた場合にも、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になっています。

※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. *11ILC（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

当社では、上記以外にも、さまざまな分野におけるお客さまの広範な技術課題の解決のサポートをしております。概要の中にある開発事例の一覧もご参照ください。