要点
- ニューラルネットワークの基本： ニューロンを接続してデータを処理し、トレーニングによってタスクの精度を向上させることで、人間の脳を模倣する。
- 学習方法：性能の適応や最適化を行うための教師あり学習、教師なし学習、強化学習を含む。
- 製造への影響：欠陥検出とアセンブリ検証を自動化し、従来のマシンビジョンでは複雑すぎるタスクを処理する。
電子メールの自動テキスト生成、音声認識、医療画像分析、古い写真の着色、パーソナライズされたオンライン広告、戦略ゲームプレイコンピュータ、および携帯電話を開く顔認識はすべて人工知能が私たちの生活を楽に楽しく、驚きのあるものにして、興味深くさせる方法の一例です。これは、ファクトリオートメーションでも同じです。製造業における人工知能は、複雑で困難な検査アプリケーションに対する新たなアプローチを促しています。
AI を採用したアプリケーションは、ニューラルネットワークのしくみに基づいたディープラーニングによって駆動されます。
ニューラルネットワークは、1944年にWarren McCulloughとWalter Pittsによって最初に提案されました。この二人は、最初の認知科学部門と呼ばれるMITに1952年に移り住んだシカゴ大学の研究者です。
ニューラルネットワークとは何でしょうか？
ニューラルネットワークは、人間の脳がどのように動作するかを模倣するように設計されたコンピュータプログラムです。ニューラル ネットワーク内の各プログラムは、基本的な計算のみを実行します。しかし、多数のノードを接続することで、全体の計算能力は、その部分の合計よりも大きくなります。ニューラルネットワークがシステム内のあるプログラムから別のプログラムに入力データを渡すと、ニューラルネットワークはそれ自体をトレーニングし、そのデータを使用してよりスマートになります。これは人が情報を学ぶ方法に類似しています。
ニューラルネットワークは、コンピュータが特定のタスクを実行することを学ぶ方法、たとえば異なる写真の中から特定の顔を認識したり、一連の犬の写真の中から犬とそれ以外を区別するなど、として活用されています。
「ニューラルネットワークは、ディープラーニングで何が可能かを示しています。」と、コグネックスのディープラーニングの製品マーケティング マネージャであるBob Ochiaiは語っています。「ニューラルネットワークとディープラーニングは、人間がより効率的に作業し、ほとんどの設定で特定の複雑なアプリケーションを解決できる、よりスマートなアプリケーションを作成するための道具にすぎません。」
ニューラルネットワーク内の各プログラムはニューロンと呼ばれ、ニューロンは他のニューロンとランダムに接続されます。ニューロン間の接続が強く、より効率的であるほど、ニューラルネットワークはより良いパフォーマンスを発揮します。ニューラルネットワーク内のニューロン間の接続を確立するプロセスは、トレーニングと呼ばれます。
ニューラル ネットワークの各層を通じてデータが渡されると、システムは、解決するために設定された特定のタスクでより正確に出力をトレーニングし、調整します。たとえば、ファクトリオートメーション設定では、ニューラル ネットワークを使用して複雑な欠陥検出を解決したり、ルールベースのプログラムを作成するには多すぎる他の製品の不規則性を特定したりできます。
システムが学習する方法には次の 3 つがあります。
- 教師あり学習： この学習戦略は、最もシンプルです。コンピュータが処理するラベル付きデータセットがあり、目的の結果を得るためにデータセットを処理できるまでアルゴリズムを変更できます。
- 教師なし学習： この方法は、学習可能なラベル付きデータセットがありません。ニューラル ネットワークはデータセットを分析し、コスト関数はニューラル ネットワークに対して、ターゲットからどの距離を移動しているかを通知します。続いて、ニューラル ネットワークがアルゴリズムの精度を高めるために調整します。
- 強化学習： このアルゴリズムでは、ニューラルネットワークは肯定的な結果で補強され、否定的な結果に対しは処罰を受けます。ニューラルネットワークは時間の経過とともに学習を進めます。
ニューラルネットワークが製造検査に及ぼす影響
自動車部品会社が、製造中のバンパーの傷を特定したいとします。バンパー上で潜在的な傷が発生する可能性のある場所を特定する方法はありません。傷の検出と識別については、傷の深さや長さが不明確で、表面上のどこにでも現れる可能性があることから、実際にはマシンビジョンアプリケーションに効果的にプログラム��ることはできませんん。
そのばらつきを説明することは容易ではありません。ただし、良好なバンパーがどのような外観かを特定できるよう、アプリケーションをトレーニングし、そのパラメータに当てはまらないバンパーにフラグを立てることができた場合は別です。
「ニューラルネットワークで可能となるディープラーニング画像解析によって、企業は従来のマシンビジョンで本当に複雑で困難な検査をより簡単に自動化できます。」とOchiaiは語っています。「今でもアセンブリ検証は人が行っていますが、欠陥検出は、この技術がメーカーの自動化戦略に役立つもう一つの例です。」
ニューラルネットワークのテストは、パターンを認識する強力な能力です。しかし、落合が指摘するように、ニューラルネットワークがモデルを正常に学習するためには、非常に高品質のラベル付きデータが必要です。また、複雑な場合は、多くの参照画像データも必要です。
ニューラルネットワークとディープラーニングが複雑な製造検査の課題をどのように解決しているかの詳細については、当社のガイド「ディープラーニングとマシンビジョン」をダウンロードしてご覧ください。