開発事例集(製品・システム開発編)

近年、DeepLearningのモデルを手軽に作成できるツール・サービスが
販売されております。
手軽に行えることになったことで、既にDeepLearningモデルの開発に
着手されている方もいらっしゃるかと思います。

DeepLearningのモデル作成の次に課題となるのは『精度向上』。
想定した精度が出ない時には、以下を実施することで、性能改善に繋がります。
　1.各種ハイパーパラメーターを変更する
　2.学習データを増やす
　3.学習データの"パターン"を増やす。
　　Ex.照明の明るさの違い、大きさの違い、速度の違い
　4.前処理を行い、データの特徴を分かりやすくする
　5.使用するモデルを複数種類の中から、比較検討する
　6.モデルのクラス設計を見直す
　7.複数モデルを組み合わせたアンサンブルモデルを構築する

しかし、これらの作業を行うためには、専門知識やデータを用意するための
時間と労力が必要となります。

当社の「DeepEye」を使用することで、これらの精度向上策を
手軽に行うことができます。 （詳細を見る）

Deep Learning技術を用いた画像分類・物体検出を行えるオールインワンパッケージPC
・Deep Learningに関する詳細な知識は必要ありません
・Deep Learningの動作環境(Linux)の準備・知識は必要ありません
・ユーザーフレンドリーなGUIで学習用データの作成・学習モデルの
作成・推論実行の一連の処理を簡単に実行できるため、自社内で何度でも検証が行えます
 （詳細を見る）

AIベンダーに依頼した際に、成功しやすい開発について紹介致します。

1．ゴールやプロセスが具体的である
　「〇〇製品の△ラインの□作業を自動化したい」など具体的なゴール設定が
　できていて、プロセスも明確な開発は成功するケースが多いです。

2．データ取得環境が整っている
　データの純度は開発結果に多大な影響を与えます。
　そのため、データ取得環境が整っている場合は成功率が高くなると言えます。

3．AIをシステムの一部として捉えている
　AIはあくまで、ニーズ解決のための手段として捉え、使用環境などを
　考慮することが大切です。

3つのポイントを紹介しましたが、お客様だけで上記を実践することは難しい
ケースもございます。

当社の「DeepEye」を使用することで、お手軽にAI開発に取り組むことが可能です。

　・売り切り型のため予算が立てやすい。
　・AIで出来るか不明確な場合にも、何度も検証できる。
　・課題の数が多い場合でも、金額が変わらない。

また、当社ではAIコンサルティングも行っており、お客様の課題解決に向けた
サポート体制も整えております。 （詳細を見る）

外観検査(検品)にAI技術を適用することを検討されている方も
多くいらっしゃると思います。

外観検査にAIを活用する際のポイントをまとめます。

◆導入後のメリット
　・人的コスト削減
　・生産効率の向上
　・判定水準の一定化
　・検出率の向上

◆導入する際に課題となるポイント
　・撮像条件を整えることが難しい
　・判断基準を明確にすることが難しい
　・AIで検出できるか分からない
　・AIベンダーによってはAI使用料金が定期的に発生する

◆DeepEyeで解決！
　・980,000円と安価な価格を実現している
　・売り切り型なので、使用量に関わらず支払い金額は一律
　・無料貸し出し期間を2週間設けているため、検討材料を得ることが出来る
 （詳細を見る）

DeepLearningを用いた画像認識技術は、高い検出性能と汎化性能により、
製造業などにおける外観検査への応用が期待されています。

当社は、LIXIL様との衛生陶器外観検査自動化プロジェクトにおいて、
PoCによるDeepLearningの物体検知を用いた欠陥箇所検出で成果をあげ、
現在ライン投入に向けて試験運用開始を進めています。

当開発の取り組みに関して、LIXIL様とコンピュータマインドの連名で
2020年度人工知能学会全国大会のインタラクティブセッションにて
発表しました。

【開発例】
■OS：Windows 10 Pro
■開発期間：2018年〜
■開発人数：PoC 1人/本開発2人(予定)
■開発言語：C#、Python
■使用ネットワーク：SSD512(VGG16)

※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。 （詳細を見る）

当社では、検査装置にて撮像した画像に対して、DeepLearningの物体検出技術を
適用することにより、以前は取り逃していた異物を多数検出することに成功しています。

画像処理の場合、複雑な処理工程を段階的に処理することが多く、1検査当たりの
処理時間が長くなってしまうと、全体の生産効率に影響します。

当技術では、1検査(1画像)あたりおよそ100ms以下での高速な検査が可能なため、
生産効率を落とさず、検査精度の向上を図ることに成功しました。

【開発例】
■OS：Windows 10 pro
■開発期間：6ヶ月
■開発人数：2人
■開発言語：C#、C++、Python
■使用ネットワーク：SSD、Yolov3

※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。 （詳細を見る）

DeepLearningによる物体検知などの技術を実用化するには、必ずシステム化が
必要になります。

当社では、DeepLearningに加えて、これまで培ってきたハードウェアの制御技術、
通信技術からソフトウェアをご提案しました。

また、システムに適したカメラなどのハードウェア選定まで、システム化に必要な
すべての要素をワンストップで一括提供しています。

【開発例】
■OS：Windows、Linux
■開発期間：Poc 3ヶ月、開発 4ヶ月(試作)
■開発人数：3人
■開発言語：C#、C++
■使用ネットワーク：YOLO v4 tiny

※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。 （詳細を見る）

眼疾患の診療は日々進歩していますが、生体組織の情報は必ずしも十分ではなく、
病態の把握に限界があります。

当開発では、検査装置メーカー様と協力し、新たな組織特性情報を得るとともに、
その情報を最大限生かすためDeepLearning、GPGPU等の先端技術を用い、
より多角的に病態を把握する手段を示し、この課題に対応しています。

従来手法では、1回の診察データを計算するのに、およそ1時間かかっていましたが、
本計算をGPGPUにて実装しなおし、5分程度まで短縮することに成功しています。

【開発例】
■OS：Windows 10
■開発期間：5年
■開発人数：3人
■開発言語：Qt、C++、Python
■使用ネットワーク：DeepLabV2、V3

※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。 （詳細を見る）

当社では、LiDAR-SLAMによるマッピング、自己位置推定と地下データ計測装置を
連携させたROS上で動作するアプリケーションの開発を行いました。

このアプリケーションにより、地下データ計測装置による地下の計測情報と、
地上での位置関係を正確に把握することが可能になり、また周辺環境を視覚的に
記録できるようになりました。

また、ROS(Robot Operating System)を使用することで、各センサ及び装置間の
データ送受信や座標変換、センサ情報出力をスムーズに行うことに成功しています。

【開発例】
■OS：Ubuntu 16.04 LTS
■開発期間：1年
■開発人数：3人
■開発言語：C++、python
■使用フレームワーク：ROS
■関連技術：点群マッチング

※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。 （詳細を見る）