AIBR プレミアム
拓海先生、最近現場で使えるAIの話を聞く機会が増えてきましてね。うちの現場でも外観検査でAIを使えないかと部下から言われていますが、どうもデータの偏りや欠陥の少なさがネックだと聞いております。現実的に効果が出る方法はありますか？
素晴らしい着眼点ですね！現場で問題になるのは、正常データは山ほどあるが異常データは極端に少ない点です。最近の研究で、既存の画像を工夫して増やす「Data Augmentation (Data Augmentation, DA, データ拡張)」の実践的な手法が提案されています。大丈夫、一緒にやれば必ずできますよ。
で、具体的にはどんな手法なんでしょうか。導入にかかるコストや現場への負担が気になります。これって要するに簡単に導入できるものなんですか？
素晴らしい着眼点ですね！端的に言うと、追加の撮影や高価なラベリングをほとんどせずに学習データの多様性を増やす手法です。要点は三つあります。1) 既存画像をリサイズして別画像の中に合成することで多様な見え方を作る、2) その過程で欠損や遮蔽（おおわれる現象）を学習させる、3) 計算コストはほとんど増えない、です。大丈夫、一緒にやれば必ずできますよ。
リサイズして合成というのは、具体的にどういうことですか。現場の製品写真に別の写真を重ねる、という理解でいいですか。それによって誤検知が増えたりしませんか？
本質をつかんでいますね！リサイズした画像を同一バッチ内の別画像に組み込むことで、モデルは異なる大きさや配置での対象物の見え方を学習します。これは現場でたまたま部分的に隠れた欠陥や、撮影角度のばらつきに強くなるという意味です。誤検知が増える心配は、適切な学習と評価を行えば逆に減ります。ポイントは学習時に
監修者
阪上雅昭（SAKAGAMI Masa-aki）
京都大学 人間・環境学研究科 名誉教授
論文研究シリーズ
AI技術革新 - 人気記事
PCも苦手だった私が
