AIBR プレミアム
拓海さん、最近現場から「異物混入をもっと自動で検出できないか」と相談がありましてね。写真やRGBカメラで対応できないケースもあると聞き、何が新しい技術なのか教えてください。
素晴らしい着眼点ですね！まず結論から言うと、今回の研究は肉の表面にある「見えにくい」異物を、人の目や通常のカメラより高い精度で検出できる仕組みを示しているんですよ。大丈夫、一緒に要点を三つに分けて説明できますよ。
三つですか。まずは現場の視点で知りたい。これまでのカメラとどう違うのですか。コストとラインへの負荷が気になります。
いい視点ですよ。ポイントは一、光の帯域を増やして物質の情報を取ること。二、撮ったデータを機械学習で学習させて異物を特定すること。三、搬送ラインに合わせた撮像と前処理で実用化できること、です。投資対効果の観点では、検出精度が上がればリコールや手作業検査の削減で回収は早くなりますよ。
なるほど。専門用語が出ましたが、最初の「光の帯域」とは何でしょう。要するに普通の赤青緑の写真より広い波長を見ているのですか？
その通りです。Hyperspectral Imaging (HSI) ハイパースペクトル画像 は可視光だけでなく近赤外線など広い波長帯域で反射特性を取得できます。身近な例で言えば、お茶の濃さを色だけで判断するよりも香りや味の成分を測る機器があると考えると分かりやすいですよ。
それって要するにHSIで異物を色や反射の違いとして見分けているということ？機械学習は具体的にどう使うのですか。
素晴らしい着眼点ですね！機械学習（machine learning）とは、データから規則を学ばせる手法の総称です。ここではHSIで得た多数の波長ごとの反射スペクトルを特徴量として学習器に与え、正常部分と異物のパターンを識別するモデルを作ります。現場での適用を考えると、学習データの収集と検証が成功の鍵になりますよ。
学習データはどれくらい必要ですか。現場で集めるのは時間がかかりますし、珍しい異物はサンプルが少ないと思いますが。
素晴らしい着眼点ですね！研究では、異物の多様性に対応するために表面の向きや照明条件を変えたデータ取得と、暗フレームやフラットフィールド補正などの前処理でノイズを抑えています。現場導入ではまず代表的な異物に絞って学習させ、徐々にデータを追加して性能を上げていく段階的な運用が現実的です。
なるほど。ライン速度や照明の変動で精度が落ちないか心配です。コスト面ではどう評価すればよいでしょうか。
よい疑問です。要点を三つで整理します。第一に、装置は一般的なRGBカメラより高価だが、異物によるリコールや廃棄コストを減らすことで回収可能であること。第二に、ライン速度に合わせて露光やラインスキャン設定を最適化すれば実稼働が可能であること。第三に、初期はハードと現場での設定に投資が必要だが、運用後は検査工数の削減でペイする可能性が高いことです。大丈夫、一緒に計画を立てれば必ずできますよ。
分かりました、要するに現実的なのは段階的な導入で、最初は代表的な異物を対象にして機械学習で学習データを増やしながら精度を上げていくということですね。これで社内の判断材料が作れそうです。
