画像は撮りためるだけでは意味がない。

画像検査システム以外でも、産業用カメラや顕微鏡・ビデオマイクロスコープを使って製品の画像を撮りためている方もいると思います。ただ、画像を撮りためても効果的に運用できている方は少ないようです。

例えば、画像の活用方法の1つとして、エビデンス（証拠画像）があります。製品を納入後に、お得意先からご指摘をいただくこともありますよね。ただその際、その責任がどこにあるのか揉めるケースも散見されます。

こんなケースを回避するために、エビデンス（証拠画像）が活用できます。

画像を撮りためるだけであれば、大きなコストは掛からないのでとても有効な手段です。

まだ画像検査機の導入がなく、お客様対応に苦慮されている品質保証の方に特にお勧めいたします。

課題は目的の画像をどうやって探すか

ただ、このエビデンス（証拠画像）の運用にも課題があります。
エビデンスとするには全ての画像を保存していくことになりますが、1日に1万を超える枚数の画像から、目的の画像を探すのは容易ではありません。
既に画像を撮りためている方は、過去の画像の中から該当する画像を見つけ出すのに苦労した経験はありませんか？

人による画像チェックでは膨大な時間がかかる上、見逃しが発生するとエビデンスとしての効果を発揮できません。
エビデンスのためには、スピーディに目的の画像を見つける仕組みが必要です。

AI画像解析で分類とスコア付けで解決！

仮に数万の画像の中から「不良品画像」や「汚れの画像」など目的の画像を検索することが出来たら、すぐに画像が見つけられると思いませんか？
ということで、Pixelupではこれらの課題を解決するためのソフト「AIスコアリングシステム」を開発しました。このソフトは撮像した画像を分類し、データベースに記録していきます。

という流れです。

画像を分類・スコア付けするAIの部分はSONYのNeural Network Consoleを使います。これはWindows版であれば無償で使え、クラウド版は従量課金制（無料枠あり）のため、気軽に始めやすいことが特長です。Neural Network ConsoleはYouTubeの公式ページに豊富にチュートリアルが掲載されていますし、Pixelupでモデルの作り方をお伝えすることも可能です。

Neural Network Console

画像はOK・NGなどの二値分類だけではなく、汚れ・ショートモールド・黒点異物等のように複数に分類することも可能です。

良くあるご質問

効果的な画像の活用方法3選！

画像の活用はエビデンスに限った話ではありません。
他にも、「品質データを可視化し、工程改善へ繋げる」「自動検査機の導入前ステップ」の場合でも高い効果を得られます。画像の活用方法はこちらの記事もご参照ください。

検査機の導入に踏み切れない品質保証担当必見。ローコストなのに効果が大きいカメラ活用方法！ – Pixelup

いきなり自動化せず、カメラを導入するだけで品質改善につなげることができます。保存した画像の活用方法は3つ。①工程改善 蓄積された画像をオフラインで解析し、欠陥の発…

pixelup.jp

まとめ

画像を分類・スコア付けすることで画像を効率的に活用し、お客様からの対応や分析速度を大幅に短縮することが可能です。画像検査システムに比べてローコストで始めることもお勧めしたい特徴の1つです。

トライアルも承っております。ご不明点は御気軽にお問合せ下さい。

The post 【品質保証：必見！】AIで画像を分類！エビデンス管理を効率化し、品質向上に繋げる方法 first appeared on Pixelup.

YouTubeに解説動画をアップしました

別の記事で前処理（膨張や収縮）について解説しましたが、前処理の効果を決めるサイズについては触れておらず、「数字が大きいと効果が大きいんでしょ」くらいの印象をお持ちの方もいらっしゃるかもしれません。

本動画ではサイズが変わることによって、どのように挙動が変わるのか・処理方法が変わっているのかを解説しています。

画像検査はAIとルールベース、どちらが向いているかを見極めて両方扱えるのが現状の最適解です。経験上、画像検査の理解を深めている方は検査装置を納入した後の効果も高くなっています。

現場で画像検査を導入している・またはこれから導入を検討している生産技術・品質管理の方々はぜひご覧ください。
画像検査が安定せず困っている方は必ず読んで改善に繋げてください。

他の記事も参考にしてください。

【超重要処理】収縮と膨張：外観検査自動化を安定化させるカギ – Pixelup

画像検査を安定させるための超重要処理、「収縮」と「膨張」について解説動画をYoutubeにアップしました。 「画像検査を導入したけど、誤判定や見逃しが多い…」「画像検査…

pixelup.jp

「画像検査を導入したが、誤判定や見逃しが多くて困っている…」
「画像検査を理解して、安定した稼働に繋げたい！」

画像検査にお悩みの現場の方々、ご相談はお問い合わせから御連絡ください。

The post 【画像検査の必須知識】前処理のサイズ first appeared on Pixelup.

Youtubeに解説動画をアップしました

外観検査自動化の安定性を決めるのが前処理です。その前処理の中でも最重要と言っても過言ではない、「収縮」と「膨張」について解説した動画をYoutubeにアップしました。

「AIを使って検査すれば、前処理なんていらないのでは？」

そう思った方もいるでしょう。実はそうでもありません。AIだけではなく、ルールベースでの検査にも有効ですし、AIも前処理を使うことで性能を上げることが可能になります。

ところで、画像検査って内部で何をしているのか、よくわからない方もいると思います。その最たる部分が前処理でしょう。しかし理解を深めることで運用し効果が出せるようになります。
ぜひこの機会に理解を深めてください。

現場で画像検査を導入している・またはこれから導入を検討している生産技術・品質管理の方々はぜひご覧ください。
画像検査が安定せず困っている方は必ず読んで改善に繋げてください。

記事でも解説しています

「収縮」と「膨張」は動画だけではなく、本HPにて解説記事を上げています。そちらも併せてご覧ください。

【画像処理ノウハウ】収縮とは – Pixelup

初・中級者でもわかりやすくまとめました この記事ではルールベース・AIどちらでも重要度が高い前処理（フィルター

pixelup.jp

【画像処理ノウハウ】膨張とは – Pixelup

膨張は中心画素から指定された範囲の周辺画素から、最も明るい画素を中心へ置き換える処理です。簡単に言えば、明るい部分が大きくなります。前処理は画像・外観検査で使…

pixelup.jp

「画像検査を導入したが、誤判定や見逃しが多くて困っている…」
「画像検査を理解して、安定した稼働に繋げたい！」

画像検査にお悩みの現場の方々、ご相談はお問い合わせから御連絡ください。

The post 【超重要処理】収縮と膨張：外観検査自動化を安定化させるカギ first appeared on Pixelup.

解説動画をアップしました

AIを使った外観検査が有名になっていますが、「ルールベース」という方法もあることはご存じでしょうか？
AIとルールベース、どちらも利点があるので理解して比較することがお勧めです。 まずはこの動画でルールベースとは何か理解してみましょう！

生産技術・品質管理・品質保証、また経営者の方もぜひご覧ください。

The post 【AIじゃない方】ルールベースの画像検査とは？ first appeared on Pixelup.

「メーカーが調整してくれたのに、NG流出が発生してしまった。」
「細かい欠陥は検出したのに、なぜか大きな欠陥が検出出来なかった。」
「検出出来る欠陥と、出来ない欠陥の違いは何なんだろう？」

ユーザーは内部で処理されている原理や詳細が分かりにくいため、見逃しが発生すると非常に不安になりますよね。

私の経験上、主な原因は3つあります。

1.2.についてはユーザー・メーカーで共同で調整を追い込んでいくしかありませんが、
3．のケースは非常に厄介です。トラブルが起きるまで気づかないリスクがあります。

実は私自身が過去に3．にあたる失敗を犯したことがあります。
お恥ずかしい話しではありますが、私の実体験をみなさまも共有いただき、
問題が発生しない運用を進めて頂ければ幸いです。

見逃しが発生する要因とは

問題なく検査設定を作りこんだつもりだったが…

それは私が画像検査の仕事を初めて2年目の頃です。
当時、私は営業技術職でお客様からの検査依頼に対し評価・デモ・設備立ち上げを対応する立場でした。
私が担当したプロジェクトで１つで、不織布の製造メーカー様へラインスキャンカメラを使った検査システムを納入することになりました。

お客様から見本サンプルもお預かりし、検査設定を作りこみランニングチェックでも無事に検出可能と判断。
安心して横浜の自宅へ帰りました。
ところがお客様から連絡があったのは2日後のこと。

「大きな汚れが流出してしまった。すぐに来てくれ！」

そんなはずはないが…。疑問を持ちながらひとまず翌日急ぎで現場に向かうことになりました。

想定の甘さとお客様が考える検査機

工場に到着し、かなり険しい表情のお客様に連れられて現場に行く間は
「何が問題だったんだ？見せてもらったNGは全て検出できたはず・・・」と
冷や汗をかきながら考えていました。

現場に到着し、お客様から見せられた流出したワークは
今まで見たこともないような10センチに渡る大きな油汚れでした。
「えっ、こんなの見たことも指示されたこともない。今更そんなこと言われても・・・」
そんなことを考えていた若い私はそのまま口にしてしまいました。

私「いや、この欠陥は今まで拝見したことがないんですが…」

お客様「伝えてなくても、こんなに大きな汚れが検出できないなんておかしいだろ！！」

お客様の仰る通りで、Φ0.5㎜の異物が検出できるのに、10センチに渡る汚れが取れないなんて、お客様が分かるはずもありません。
そんなに大きな汚れは検出できて当たり前だと思うでしょう。
どんなトラブルが起きるかも想定しながら、逆にこちらが提案・確認して対応を進めるのがプロです。それを完全に怠っていました。

その場はプログラムを修正し、お許しを頂きましたが、そのお客様には本当に御迷惑をおかけしました。

メーカーとユーザーはお互いに知識や認識のギャップがあることを自覚しなければなりません。（お互いにいい仕事をするうえで必要なことですよね。）
ユーザー担当者とのコミュニケーションを通して想定し得る欠陥や環境を理解して、検出プログラムを作る必要があります。

当時のお客様にはご迷惑をおかけしてしまいましたが、この経験で以後のプログラム作成時にはより安定するためにお客様からのヒアリングを深めて対応できるようになりました。

画像処理側の原因とは？

ところで、なぜΦ0.5㎜の異物が検出できるのに、10センチの汚れは検出できなかったのでしょうか。
当時の欠陥を再現し、画像を見てましょう。

ここで黒点を検出することを考えてみましょう。
例えば、産業カメラで撮像した画像では外側が暗くなっています。この場合、黒点を二値化で検出しようとするとこのようになります。

私は異物を安定して検出するため、前処理として明るさ補正を入れていました。
この明るさ補正の特徴は
・入力画像の明るさが変動しても、一定の明るさに補正する。
・コントラストがはっきりしている箇所は残し、影などグラデーションになる部分は除去する。

明るさ補正を入れた結果がこちらです。

ご覧の通り、汚れが見えなくなってしまいました。明るさは全体的に均一になりましたが、汚れまで背景と一緒に補正されてしまったのです。
これが私が失敗した原因です。汚れが発生する可能性を確認せず、黒点検出に特化した前処理を入れたため、汚れは検出できなかったのです。
このようなケースは汚れ用・黒点用、それぞれの検査設定を作る必要があります。幸いなことにそのお客様はその後も引き続きその検査システムをご利用いただきましたが、場合によってはシステムの仕様を巡り大きな問題になりかねない事例でした。

参考ですが、明るさ補正を入れた画像では容易に黒点を検出可能です。

トラブル回避方法：リストで確認しよう

検査設定ができた後は、メーカーへ設定したプログラムの意図や狙いを質問してみるのもいいでしょう。意図した欠陥が網羅されているのか、確認できれば事前にトラブルを回避することもできます。

個人的なお勧めは、リストにして確認することです。

このようにまとめると、ユーザー・メーカー双方の抜けもなくなるでしょう。複数のアングルで撮像する場合はそれぞれで作成するなど工夫してみてください。

まとめ

画像検査は様々な欠陥や状況を想定した設定構築が不可欠です。（ルールベースもAIでも同じです。）
ユーザー・メーカー間のコミュニケーションを深め、安定した検査装置を導入しましょう。

また、外観検査システムを導入した方で、不安定な検査に悩んでいる方はいませんか？メーカーに相談してうまく行かなったとしても、お気軽にご相談ください。納入済み検査システムの改善提案も承っております。

The post 【要注意】 外観検査の落とし穴　佐藤の失敗から学ぶ画像処理（異物と汚れ編） first appeared on Pixelup.

この記事では画像・外観検査で使われる画像の前処理（フィルター処理）についての知識や検出アルゴリズムについてまとめています。特にルールベースにおける重要度では、前処理＞検出アルゴリズムと考えています。

この記事では、初・中級者向けに
「仕組みや計算方法だけ書かれてもわからない…」
「どういうシーンで使うか、理解を深めたい」といったお悩みにこたえるまとめ方をしています。
＊学術的な考え方についてはこの頁では記載しません。

「膨張」とは、明るい画素を大きくすること

膨張は中心画素から指定された範囲の周辺画素から、最も明るい画素を中心へ置き換える処理です。簡単に言えば、明るい部分が大きくなります。
埃の画像を例に見てみましょう。

この処理を全ての画素に行います。

次に2つの画像を比べてみましょう。
右側の画像の方が、白い画素がより大きく見えていると思います。
画像右上の明るい画素の塊と左下の明るい塊が「膨張」して接近しています。
これが膨張処理の効果です。

逆に白画素を小さくする処理は「収縮」と呼びます。黒画素を大きくすると言い換えることもできます。

収縮についてはこちらをご覧ください。

【画像処理ノウハウ】収縮とは – Pixelup

初・中級者でもわかりやすくまとめました この記事ではルールベース・AIどちらでも重要度が高い前処理（フィルター

pixelup.jp

膨張を使うシーン：埃の検出で考える

例えば、この埃をブロブ検出（二値化で抽出）する場合、埃を1つの塊として検出することが理想ですが、下図のように部分的に埃が途切れてしまうことがあります。

この場合、埃を安定して検出することが難しくなります。この問題を解決するため、膨張処理により明るい画素同士をつなげることが考えられます。

サイズを変えれば、明るい部分がより強調される

ところで、サイズ（青枠の範囲）は任意で設定することができます。

今回のケースで言えば、青枠の範囲を大きくするほど、埃の明るい画素がより大きくなります。埃がつながるよう、適切な数値を確認します。

サイズ（青枠の範囲）を変えた画像を見比べてみましょう。

サイズが大きくなるほど、膨張し1つの塊として認識しやすくなっていそうです。

結果を確認する

実際に二値化処理にて確認してみましょう。下段は二値化画像（閾値：200）です。

膨張処理を11×11サイズで処理すると、埃が全体で繋がりました。
これで安定した検出が可能です。

膨張処理を使う目的は、大きく2つある

膨張や収縮を使うのは大きく2つのケースがあります。

また、おそらく膨張・収縮処理はそれ単体で使うことは少ないと思います。
例えば、今回のケースで埃を膨張処理した結果、細かな白い画素までノイズとして強調されてしまうこともあり得ます。
これでは対象と塊として認識しやすくなっても、ノイズを誤検出するリスクが増えてしまいます。

これの問題を解決するため、膨張・収集はセットで使うこともあります。
このことは別記事にて解説したいと思います。

前処理を使って検査を安定させよう

前処理はルールベースでもAIでも重要な処理です。これらを適切に扱うことで検査能力アップや安定性が向上します。

現在、検査装置でお困りごとはありませんか？
例えば、
「欠陥が未検出で流れてしまった」
「誤判定が多すぎて、検査機が使い物にならない」

お困りのことがありましたら、下記フォームよりお気軽にお問い合わせください。

The post 【画像処理ノウハウ】膨張とは first appeared on Pixelup.

この記事ではルールベース・AIどちらでも重要度が高い前処理（フィルター処理）についての知識や検出アルゴリズムについてまとめています。特にルールベースにおける重要度では、前処理＞検出アルゴリズムと考えています。

この記事では、初・中級者向けに
「仕組みや計算方法だけ書かれてもわからない…」
「どういうシーンで使うか、理解を深めたい」といったお悩みにこたえるまとめ方をしています。
＊学術的な考え方についてはこの頁では記載しません。

「収縮」とは、暗い部分を強調すること

収縮は中心画素から指定された範囲の周辺画素から、最も暗い画素に置き換える処理です。簡単に言えば、暗い部分が大きくなります。

この処理を全ての画素に行います。

下の画像で比べてみましょう。右側の画像の方が、黒い画素がより大きく見えていると思います。これが収縮の効果です。

”3×3サイズ”については後述します。

ではこの「収縮」をどのように使えばいいでしょうか。

収縮を使うシーン：ナットの打痕を例に考える

ナットの打痕を例に見てみましょう。

この打痕は概ね黒く表示されていますが、中心部分がやや明るくなっているのが分かります。例えば、二値化でこの打痕を検出する場合、打痕の暗い部分は検出しやすいのですが、中心部分は少し明るいため検出しにくくなります。この場合、欠陥全体を捉えられず、検査が不安定になる可能性があります。

解決策として、「収縮」を適用することができます。やや明るい部分が暗くなってくれれば、検出は容易になるはずです。

サイズを変えれば、暗い部分がより強調される

ところで、サイズ（青枠の範囲）は任意で設定することができます。

今回のケースで言えば、青枠の範囲を大きくするほど、打痕の暗い画素がより大きくなります。打痕全体が暗くなるよう、適切な数値を確認します。

サイズ（青枠の範囲）を変えた画像を見比べてみましょう。

3×3や5×5では、黒い画素が大きくなっていますがまだ中心部に少し明るい画素が残っています。7×7になるとほぼ黒い画素で埋められており、安定した検出が見込まれます。

結果を確認する

オリジナル画像と処理後（7×7）を比べてみましょう。下段は2値化画像（閾値：80）です。

実際に2値化処理してみると、収縮した方がより打痕部分を塊として捉えることができ、検出が容易になりました。

注意

収縮を適用することで、暗い画素のノイズまで強調される場合があります。その場合はノイズを消すための処理も追加する必要があります。

他の処理との組合せでノイズを消す方法などは随時アップデートしていきます。

前処理を使って検査を安定させよう

他の処理と組わせることで、より検査が安定することもあります。

現在、検査装置でお困りごとはありませんか？
「欠陥が未検出で流れてしまった」
「誤判定が多すぎて、検査機が使い物にならない」

下記フォームよりお気軽にお問い合わせください。

The post 【画像処理ノウハウ】収縮とは first appeared on Pixelup.