AI・深層学習

学習済みモデルの特徴量を用いた異常検知

良品画像のみを学習させ、画像上の細かな違和感を検出します。印刷画像特有の複雑な絵柄の中の異常や、加工時の突発的な異常を見つけるための異常検知手法を深層学習技術と画像処理によって実装しています。

事前学習したモデルを利用して、抽象度の高い画像特徴を抽出し、マハラノビス距離などで良品画像の特徴空間を定義した後、しきい値を設けて良品/異常の判断を行う方法です。

モデル内の特徴表現を取り出して特長ベクトルとし、多変量ガウス分布に当てはめて良品画像の分布とします。その分布からどのくらい離れているか(マハラノビス距離)に対してしきい値を設けて異常検知を行います。画像内の異常領域の特定は、異常判定を行った後に、疑似良品画像との差分を生成して可視化します。


今回は、ランダム性のある印刷絵柄に対して検証を行いました。他にも、木目・ホログラム・光沢表面・和紙などの印刷検査でも過検出を抑制して本来の欠陥を検出することができます。従来型の印刷検査では、見本となる画像を1枚から数枚登録してその差分を検出しますが、この方法を使うメリットは、判定にある程度柔軟性をもたせることができる点です。光沢表面などは、撮像や照明の状態によって単純差分では過剰検出が発生しますが、深層学習モデルによる異常検知ではこれを抑制することが出来ます。

TOP