ゼロ学習AIとは？

これ、全て学習せずに検出しています↓

こんな方にオススメ

画像があればすぐにお試し可能です。

◎すぐに試したい方（画像あり・導入予定あり）

OUEN株式会社へお問合せ

＊お申込みが多い場合、実施を調整させて頂く場合がございます。予めご了承ください。

◎検討段階（初めての外観検査・撮像環境がない）

Pixelupへお問合せ

The post 【製造業に朗報】学習なしですぐ検出。ゼロ学習AIで画像検査が変わる！ first appeared on Pixelup.

製造業の現場では、目視検査からルールベースの自動検査装置への移行が進みましたが、そこから一歩先の「データ活用」に進めている現場はまだ一部に限られます。
しかし今、Googleの生成AI「Gemini」を活用すれば、ノーコードで画像分類AIを構築し、工程改善に直結する分析結果を得ることが可能です。

本記事では、従来の検査機から取得したNGデータ（CSV）を用いたAIモデルの構築方法と、分類・可視化のステップについて具体的に解説します。

ルールベース検査の弱点

多くの検査機では「NG」か「OK」かの判定はできても、「なぜNGなのか」までは踏み込めません。
そのため、以下のような課題が残ります。

Gemini＋Pythonで作る画像分類アプリ

そんな課題を解決できるのが今回ご紹介する手法です。
Google Geminiを活用すれば、CSVベースの検査履歴を教師データとしてAIモデルを構築し、分類・解析できるPythonアプリケーションが生成可能です。

以下の2つのモードを持つ構成です。

YouTubeで実演動画を公開中！

処理の流れやプロンプトはYouTubeにて動画公開中！こちらもご参照ください。

現場で得られるメリット

この方法を使うことで、以下のメリットがあります。

不良原因が“見える化”され、現場での打ち手が明確に

従来は「NG」としか判定できなかった画像検査に対し、欠陥の種類まで分類できるようになります。
「汚れ」「キズ」「黒点」など、不良の発生傾向を把握することで、改善ポイントを明確に特定できるようになります。

検査データが「工程改善」に使える情報資産へと変わる

検査履歴CSVはこれまで“記録のためのデータ”でしたが、AIにより分類・可視化できるようになることで、
「どの工程で、どのような不良が増えているか」といったフィードバックループの構築が可能になります。
品質保証部門や生産技術部門が具体的な改善アクションを設計する根拠として活用できます。

人の勘と経験に頼らない、「再現性のある判断基準」の確立

従来はベテラン検査員の感覚に頼っていた分類作業も、AIを用いることで一貫性ある判定が可能になります。
再現性が確保されることで、教育・属人化リスクの軽減や多拠点での検査品質の平準化にもつながります。

コードの公開

YouTubeで実演したコードはこちらからダウンロード可能です。
既存の検査装置からCSVデータを出力できれば、実際に試してみることも可能です。

使い方の補足

• 上記からclassification.pyをダウンロードし、お好みの環境で実行してください。
• 学習モードで「CSV読込」ボタンで、任意のファイルを選択してください。この際、ファイルには条件があります。
• ヘッダー（1行目）にfilepath, x, y, height, widthが含まれていること。順不同OK、他の列が含まれていても問題ありません。

• 画像のパス(filepath)は日本語が入っていると読み込めないかもしれません。英数字のパスにしていただくことをお勧めします。

使い方が分からない場合はどうぞお問い合わせください！

使い方を問い合わせる

The post 「【今すぐ使える】生成AI Geminiで画像検査機をAI化！製造現場の不良データを工程改善に活用する方法 first appeared on Pixelup.

AI・画像検査に使われる産業用カメラも高画素タイプが普及しています。

しかし、高画素＝正義でしょうか？ メーカーから「とりあえず高画素が安心です」という理由だけで、高価なカメラを導入している方も散見されますが本当にそれは正しい選択なのでしょうか。

不必要に高画素カメラを選択すると、コストや処理時間も伸びる傾向になります。 大切なのは最適なカメラを根拠を持って選択できることです。

YouTubeで高画素カメラの必要性を検証した動画をアップしました。ぜひご参考にしてください。

動画のポイント

▼こんな方におすすめ！ 生産技術・品質管理・品質保証・製造部門など

The post 【買わされた？！】高画素カメラは本当に必要なのか？検査に最適な画素数を検証！ first appeared on Pixelup.

省人化によるコストの削減や、見逃し・バラツキなどによる目視検査の課題からAI・画像検査に興味を持っている方は多いと思います。しかし初めてプロジェクトに取り組まれる皆さんはこんなお悩みをお持ちではないでしょうか？

「何から始めたら良いかわからない…」
「ワークはどれだけ集めればいい？」
「他の業務も忙しいため、スムーズにプロジェクトを進めたい。」

本記事では、元画像検査メーカーの技術担当である著者が、AI・画像検査機導入の手順をわかりやすく解説します。 事前準備からメーカーへの問い合わせ・評価のポイント・よくある失敗例まで、AI・画像検査機導入に必要な知識が全て手に入ります。

初めて中小企業で画像検査機を導入する方を始め、生産技術・品質管理/保証・製造に所属されている方はぜひ最後までご覧ください。

事前準備：ワークと情報を整理しよう

スムーズなプロジェクトを進行には、事前準備が非常に重要です。メーカーへ問い合わせてから準備をするのではなく、先に用意をしておくことで初回面談から具体的な提案が受けられるようになりますし、余裕を作ることで複数のメーカーを比較しながら検討することも大切になります。

準備リストを大公開！

私がメーカー技術担当者だった頃、この情報が欲しかった！という内容も含めて紹介します。また準備する項目だけではなく、メーカーがその情報が欲しい理由もまとめておきました。背景も理解頂くことで、準備のスピードと情報の精度も上げて頂けると思います。
さっそく準備リストを見てみましょう。

ワークのサイズ

例：縦・横・高さ・直径など
ワークのサイズを知ることで、撮像範囲やカメラ位置などを机上計算で算出でき、光学条件の選定に役立ちます。また、ワークのサイズが分かると搬送条件をイメージすることにもつながります。
外観写真と図面を用意できればメーカーは非常に分かりやすいです。（不要な情報は削除して問題ありません。）
検証段階ではポンチ絵で手書きでもいいですが、設備製作時には図面が必要です。

材質

例：アルミ・SUS・鉄・樹脂…など。
搬送条件の参考にします。（傷がつきやすいか？重量のイメージなど）

ワーク表面の状態

例：
・メッキムラがある
・洗浄工程後の為、きれいな状態
・防錆油が付着している
光を照射した際の反射をイメージする為に必要です。写真があるとより分かりやすいですね。特に防錆油などの液体が付着しているかどうかで、検査難易度も大きく変わってきます。

検査項目

例：
黒点：Φ0.3mm～
傷：長さ1mm以上　など
主にカメラの画素数や台数選定に必要です。特に最小欠陥サイズが画素数の基準になるため重要となります。
NG基準がない場合は、現在NGとして除外しているものの欠陥サイズを顕微鏡などで計測しておくと良いです。

品種数

形状違い・色違いなどで何品種が対象としたいのかをまとめましょう。あまり大きさや形状が違いすぎる場合は、検査システムとして兼用が難しい場合があります。
どんな品種でも検査できる装置を求めすぎると、運用やコストの面で実現性がなくプロジェクトが頓挫することになるので注意しましょう。

検査員の人数、シフト

特に省人化効果を狙う場合など、投資対効果の算出に必要です。

生産数

検査装置の処理能力の計算に必要です。シフト数の情報と合わせて考慮されます。
例えば、検査工程は1シフトのみの稼働であっても、工場全体は2シフトであればメーカーは検査も2シフトにすることをユーザーに打診する場合があります。なぜなら、検査機が2シフトで稼働できれば処理能力は1シフト時の半分となるため、コストを抑えやすくなるからです。

環境

コンタミや粉塵の付着により誤判定が発生するか確認します。または周囲の機器から振動が出ていないかも重要です。撮像時に振動があると画像にブレが生じ、検査に影響がでる場合があるからです。

目視検査の要領

目視検査の要領が画像検査においても参考になります。（どの様な光の当たり方、視点で観察しているか。）
卓上型の検査装置を検討している場合は、メーカー側は取り出し・収納も含めた一連の動作を見ることで効率的な検査方法や運用を提案しやすくなります。

導入の目的

例：
・省人化による検査コスト削減
・うっかりミスによる重大NG流出を防止など
例えば、重大NGの流出防止であれば、全自動ではなく半自動でも対応可能などと提案の幅を広げやすくなります。

予算

提案時の目安にします。メーカーは予算が分からないと提案しにくく、お互いに時間のロスになります。目安程度は伝えることを推奨します。
価格イメージが分からない場合は下記を参考にしてください。

スケジュール

いつまでに導入すべきなのか？
新プロダクトで、生産開始スケジュールが決まっていれば伝えておくと、プロジェクト進行速度も考慮してくれる。（時間がなく、進捗やプロセスを短縮しすぎないように注意！）

ワークの用意：NGは段階的に用意することをお勧め

メーカーにてテストするためにはワークが必要です。ワークは欠陥や部位によって集めておく必要があります。

NGワーク

NGは欠陥の程度に応じて、4グループで集めておくと良いでしょう。

検査装置としては、傷や汚れでも限度OKを検出できる仕様で選定されます。限度NGが検出できる仕様に合わせてしまうと、感度調整の余裕度がなくなってしまうからです。そのため、限度OKが検出できるレベルから調整段階で検査感度を緩くし、OKとNGが分別できるレベルに調整します。
また、OKとNGがどこまで区別できるかの確認のためにも、限度OK/NGの両方を用意することをお勧めしています。

全ての欠陥が検出可能とも限らないため、どのレベルまでなら検出できるかを確認するために、通常レベル・大きめも含めたNGを用意しましょう。
急にNGが集めることも難しいため、日頃からNGワークは収集しておくことがおすすめです。

また、欠陥位置がどこにあるかを図示しておくとメーカーは分かりやすいです。
私も経験がありますが、渡されたサンプルの中でどこに欠陥があるのかわからず、検証に余計に時間がかかることがあります。最悪、検出した場所が見当はずれでメーカー・ユーザー共に時間を浪費するケースも少なくありません。

ワークをナンバリングの上、リストを作り写真で欠陥位置を示すのが最も良い方法です。

ワークにペンで直接マークする場合もありますが、AIで学習する際にマークの影響を受ける場合もあるため出来れば避けましょう。

OKワーク

OKワークは最低でも5個以上あった方がいいでしょう。OK品でもロットによってバラつきが生じることがあります。バラつきがあっても安定した検出が可能かどうかを判断する必要があります。そのため可能な限りロットが違うものを混ぜて用意しておくことが理想です。

AI外観検査の場合、良品・不良品でそれぞれ数十～100枚前後の画像を使い学習するケースが多いようです。（良品画像のみを使った学習方法もあります。）特にNG画像はそれほど多くワークが用意できないことも想定されます。その場合は取得済みのNG画像から、新たなNG画像を生成するサービスも検討してよいと思います。

また、メーカーにもよりますが検証には費用がかかる場合があります。

そもそも画像検査をする必要はあるのか？

画像検査は万能ではなく、全ての検査項目を検出しようとした結果、コストやタクトが間に合わずに断念するケースが後を断ちません。検討前に、画像検査にする必要があるのか？他の工程で対応することはできないかを検討し、最後に残ったもののみを画像検査の対象とすることをお勧めいたします。

また、検討を進める段階で、「この欠陥も検査できないの？」「どうせ導入するなら、いろんな検査が出来た方がいい！」と社内の上長や関係部門からも指摘が入り検討した結果、コストが増えすぎる・検討時間がかかりすぎる状況となり、プロジェクトが頓挫することに…。決して珍しい話ではありません。

画像処理・AIメーカーに問合せする

ワークの準備が出来たら、いよいよ画像処理・AIメーカーへ問合せしましょう。
一言で画像処理・AIメーカーと言っても、その商品やサービス提供の方法は各社により異なります。
以下に代表的なパターンを掲載します。

メーカーの形態

1.PCパッケージソフト

・汎用PCにインストールして使うタイプ。
・お試しや小規模な設備向け。

2.画像センサ

・レンズ・カメラ・画像処理部分が一体になって、手のひらにのるサイズ感のものが多い。
・計測や有り無し、文字読取りまたは難易度が低めな外観検査(分かりやすい打痕・汚れなど)。

3.汎用画像処理

・比較的なんでも出来る。
・難易度が高めな外観検査。
・専用検査装置を作る場合は、汎用画像処理を用いて構成する場合が多い。
・AIを使える・使えないかが分かれるので確認。

4.AIソフトメーカー

・ソフトのみや筐体含めた提供など、様々な形態がある。
提供範囲を確認しておく。

5.画像検査システム

・画像からシステムまで一貫して対応してくれる。
・全部任せられるため、評価・管理工数も減り責任所在が明確。

6.その他

・産業PCを使い、カスタムするケースもある。

一概に正解はなく、みなさんの予算や考え方にあったメーカーを選べばよいと思いますが、導入時のリスク低減やコストの最適化のため、2～3社は比較することを推奨します。

また、コストや機能で比較することも重要ですが、担当者や企業の経験値も非常に重要です。画像検査は撮像技術やアルゴリズムが重要視されがちですが、その使い方は多岐に渡るため使いこなせるだけの知識を担当者が持っているかどうか、またワーク特有の特性やバラツキに応じて装置側や環境面の対策も必要になるなど、経験値が成功可否を握っていると言っても過言ではありません。

担当者の経験値を見極めるポイントは、「担当者から製品と現場への質問があるか？」です。

「現場では搬送時にこんなバラつきが出ませんか？」
「他のお客様ではロット違いでこんな現象がありましたが、貴社ではどうですか？」

経験値がある担当者はどんどん上記のような質問をしてきます。そのような方が見つかった際は安心できると思います。

評価時のポイント

画像処理・AIメーカーにて事前テスト及びレポートを提出されると思いますが、その際に抑えておくポイントは3つあります。

レポートの確認

各欠陥に対し、〇△で評価がついていたり「検出可能です」のコメントがついているはずですが、それだけではなく「何の指標がどのくらいの値であるか、またOKとNGとの差」を確認して下さい。例えば、「黒点NGレベルの面積値が90画素、OKレベルは30画素」などです。
具体的な値とOK・NGレベルの差を確認することで、主観ではなく客観的な検出能力を判断することが可能です。また同じワークを複数回確認した際、どの程度その値がばらつくかも確認できればベストです。

デモに立ち会う

初回の評価で複数のメーカーを比較した後、1社を選定して2回目の評価に移りましょう。
この時、検証だけではなく「立ち合いデモ」を依頼してください。
目的は画像検査の理解を深めることです。画像検査に過度な期待を持ち過ぎ、「この欠陥が検出できるなら、別の欠陥も検出できるはず」と考えた結果、期待した検出性能に到達しない場合もあります。メーカー担当者には光学条件の意図や検出アルゴリズムについても質問してみましょう。可能であれば、ワークの位置をずらしたり傾きを加えた際に検査にどのような影響が出るか試してください。撮像時の注意点の理解も深まるはずです。

並行して設備構想

検証時と実際の設備とで条件の差異を減らすことが導入時のリスクを減らすことにつながります。特に二回目の立ち合いデモをする際は70～80％は装置構想を固めておきたいところです。
例えば、
・撮像時はチャックしているか開放か？
　AI学習への影響や背景の見え方・反射条件に差が出てくる。
・搬送速度を想定したシャッター速度に設定する。
　明るさが足りているかの確認する。

などのように装置構想により光学機器や検査能力への影響が生じるため、1回目の検討を経て装置構想は並行して検討することをお勧めいたします。

まとめ

いかがだったでしょうか。
画像検査装置は正しい手順で進めれば、時間とコストのリスクを減らしながら導入することが可能です。ぜひこの記事を参考にしながら、円滑にプロジェクトを進めてください。

提案実績580件の画像検査のプロがサポート

Pixelupでは初めて画像検査の導入を目指すユーザーをサポートしています。

• 画像検査の基礎が分からない
• メーカーが多過ぎてどこがいいのかわからない
• どのようにシステム化したらいいんだろう？

このようにお悩みの方は御気軽に御相談ください。
メーカーではなく、第三者の立場から画像検査のプロが検査装置導入をサポートいたします。

貴社へお伺いし、現場診断＋御提案も承っております。お申し込みは下記リンクよりお気軽にご連絡ください。

The post 【完全版】失敗しない画像検査機の導入手順を徹底解説！ first appeared on Pixelup.

無料のAIツールを使い、すぐに試せるアイディア

皆さんは画像データをどのように活用していますか？画像は品質の記録・画像検査・証拠画像など、様々な用途で使えますがどんどん枚数が溜まりストレージが圧迫されるだけになっていませんか？

本ウェビナーでは、本セミナーでは、AIスコアリングシステムという画期的なツールをご紹介し、製造現場における品質保証の課題解決に貢献できることを目指します。 

セミナー概要

• 日時: 10月9日（水） 14:00～15:00
  実施済みです。たくさんの御参加ありがとうございました！
• 場所: ZOOMによるオンラインセミナー
• 対象: 製造業の品質保証担当者、生産管理者、現場責任者など。
  　　 画像関連機器メーカー様、商社様も大歓迎！ 

こんな方におすすめ

既に検査システムやマイクロスコープで画像を残している方はもちろん、まだ撮像環境や機材がない方でもローコストで始めることが可能です。

皆さんが得られる未来（ベネフィット）

撮りためた画像から欠陥画像や欠陥の集計が容易になることで、品質改善アクションへ移しやすくなります！

ウェビナー内容を公開中！

ウェビナーの内容を先行公開中です！ウェビナーで何がお伝えできるか、端的にまとめてあります。

参考記事

こちらの記事では実際の活用例などをご紹介しております！

【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 – Pixelup

品質保証の方には、画像をエビデンス（証拠画像）として運用している方もいると思います。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…

pixelup.jp

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

セミナーのお申し込みはこちら！

The post 【ウェビナーのご案内】 【AI×画像解析】品質管理を劇的に効率化する方法 ～画像を溜めて資産に変えろ！～ first appeared on Pixelup.

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

画像検査において重要度が高い、「画像の質」。
いくらAIやプログラムが素晴らしくとも、撮像された画像自体が暗かったり欠陥の特徴が映っていなければ処理はできません。シャッター速度はそんな「画像の質」を構成する要素の1つです。

特にコンベア上などで動いているものを撮像する時はシャッター速度の考え方が重要です。机上で検証する段階でもシャッター速度を考慮し設定しておく必要があります。
なぜなら、

となるからです。

このポイントを理解しておかないと、

「カメラを現場にインストールしたら明るさが足りなかった…」
「LED照明を買い替えないと…」
「画像のブレが大きく、欠陥が検出できない…」

といった事態にもなりかねません。

シャッター速度の計算方法を理解しておくことで画像検査システム導入時のリスクを大きく減らすことができます。これから画像検査システムの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。

AI・画像検査の導入にあたり、

「何から手を付けていいかわからない…」
「画像検査システムの導入に失敗したくない」

こんなお悩みがある工場長や品質管理の方々、お気軽にご連絡ください。
ご相談はお問い合わせから御連絡ください。

The post 【知らないと失敗する】カメラのシャッター速度の計算方法を教えます 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.