AIによる品質検査の自動化に欠かせないのは、学習データだ。しかし、めったに起こらない異常時のデータは、どのように集めれば良いのだろうか。

コスト削減に大きく寄与することが見込まれる製品品質検査の自動化に向けて、これまでの問題点を解決に導く新たな研究成果が発表された。

もくじ
課題：異常時の学習データが不足している
テーマ：異常検出専用のアルゴリズムを開発する
目的：学習データの偏りに対処する
手法：GANと従来型のオートエンコーダを組み合わせた
結果：17カテゴリ中13カテゴリで優れた成果が出た

課題：異常時の学習データが不足している

今、ディープラーニングと最も相性の良い画像認識分野は、研究段階から産業活用の段階へと順次移行している。たとえば、車載カメラ映像の解析などで業界最先端の技術力をもつ画像認識ベンチャー企業「フィーチャ」が、6月末にマザーズ上場を果たすこととなった。

品質検査などの異常検知システム構築において最もネックになっているのは、学習時に用いる学習データの不均一性である。異常事態はまれであるため、そもそもの学習データのうちに含まれる異常画像の数は限られてしまうのだ。

重要なお知らせ：AI分野のお仕事マッチングサービス「AIDB HR」を開始しました！登録後はオファーを受け取るだけのシンプルなサービスです！現在、期間限定で、ギフト券が必ずもらえる新規登録キャンペーンも行っています。

学習データの不均一性という課題において、実際にどのような研究が行われているのだろうか。台湾にある台湾国立大学のTa-Wei Tangら研究者の発表を紹介したい。

彼らは、スキップコネクションとデュアルオートエンコーダーアーキテクチャを組み込んだ、異常検出専用のニューラルネットワークアルゴリズムを提案したのだった。

テーマ：異常検出専用のアルゴリズムを開発する

まずはTa-Wei Tangらの研究におけるミッション・手法・結果をまとめた。