1D（一次元）バーコード：線形バーコードとも呼ばれる機械で読み取れるコードは、平行する直線の幅と間隔でデータを表現しています。例：Codabar、Code 128、Code 39、EAN、Interleafed 2 of 5、Pharmacode、POSTNET、UPC
2D（二次元）バーコード：水平方向と垂直方向の両方にデータを保存でき、機械で読み取れるコード。例：Aztec、データマトリックス、MaxiCode、QR コード
三次元ビジョンシステム： 対象物やシーンの三次元画像をキャプチャして処理するのに使用される光学デバイス。これらのカメラは三次元でシーンをマッピングすることで、環境の変化や分析される対象物のばらつきに対処できます。検査、プロセス制御、計測、ロボットガイダンスアプリケーションに最適です。
30度の照明： 30度の角度で対象物を照らします。照明のバリエーション（30Q、30T、30S）により、4面、2面、または1面から照らされます。この照明技術は、曲面、平面、半光沢のある部品のダイレクトパーツマーキング（DPM）のコード検証に最適です。また、質感のある下地にマーキングを施すドットピーンコードにも適しています。
45度の照明： 45度の角度から対象物を照らします。入射光はカメラから離れた位置に反射されます。この照明タイプは、陽極酸化処理された表面、プラスチックの表面、光沢のない表面上のラベル印字バーコードやダイレクトパーツマーキング（DPM）コードの検証に使用されます。
90度の照明： 真下から光を当て、カメラに反射させます。これは、光沢のある反射する表面上のダイレクトパーツマーキング（DPM）コードを検証する唯一の照明オプションです。
アルゴリズム： コンピュータが目標を達成するのに役立つ一連の指示および計算。ファクトリオートメーションでは、アルゴリズムはセンサ、スキャナ、デジタルカメラの膨大なデータセットを選別して非効率性を明らかにし、品質を向上させ、改善を推奨します。「学習」アルゴリズムは、試行錯誤と例示による学習の方法論を使用して、人間の介入なしに製造プロセスを最適化します。
絞り 一次元線形コードの場合、絞りとは、スキャンラインを使用してバーやスペースを読み取るためにコードの長さにわたって取られるサンプルサイズのことで、ミルで指定します。二次元コードの場合、絞りは、グリッドの交点でキャプチャされる円形のサンプルを指します。ISO規格は、正確にグレード付けを行うため絞りサイズを規定しています。
アプリケーション規格： バーコードのマーキングとグレード付けのガイドラインを設定する組織によって設定された規則。たとえば、どのような種類のシンボルが許容されるか、グレード付けに使用する基準、最低許容グレード、絞り、Xディメンション範囲、必要な照明角度、バーコード内のデータのフォーマット方法など。
人工知能（AI）： 人の意思決定を模倣するコンピューティング技術で、自動化することにより人にとって困難なタスクを実行します。AIアルゴリズムは、画像認識や自然言語処理などの技術を使用して人為的ミスを減らし、生産上の課題を予測できるため、ファクトリオートメーションの中核となる役割を担っています。
AIのハルシネーション： AIシステムが、現実や事実のデータに基づかない不正確な、あるいは誤解を招くような出力やレスポンスを生成すること、つまりAIが本質的に存在しないデータを「想像」すること。これは通常、言語ジェネレータや画像ジェネレータのような生成モデルで起こり、情報を捏造したり、誤った接続を行ったりする可能性があります。これは産業用AIシステムにおいてはほとんど問題になることはありません。
AIバイアス： AIシステムは、機械学習の過程で取り込まれたバイアスにより、エラーや不公平な結果を生成します。このようなバイアスは、偏ったトレーニングデータ、欠陥のあるアルゴリズム、あるいはデータセットの多様性の欠如に起因している可能性があり、その結果、不公平な、あるいは差別的な結果がもたらされます。製造業では、AIバイアスが検査結果を歪曲してマシンビジョンシステムに支障が生じる可能性があり、欠陥の見落としや誤認識により、製品品質や運用効率に悪影響を与える可能性があります。また、社会的不平等を持続させ、人種や性別、または他の要素に基づく差別を強化する可能性もあります。
エリアスキャン： マシンビジョンで使用される二次元カメラの一種。詳細な静止画を撮影できます。小さく、境界が明確なものを検査するのに適しています。シンプルな単一用途センサのこともあれば、フル装備のシステムになることもあります。
軸方向非均一性： 形状がどれだけ「正方形から外れているか」、または二次元コードの水平軸と垂直軸からの偏差量を指します。
誤差逆伝播法： 予測された出力と実際の出力との誤差を最小化することによってニューラルネットワークを学習させるために使用されるアルゴリズム。これは、入力を処理し出力を生成するフォワードパスと、それに続いてアルゴリズムが勾配降下法を使ってネットワークの重み（ニューロン間の接続の強さを決定する数値）を調整し、誤差を減らすバックワードパスを含みます。このプロセスを何度も繰り返すことで、モデルが学習し、精度が向上します。
バー幅の拡張： バーやエレメントのサイズと理想的なサイズの偏差。
バーコード： 情報提供、マーケティング、追跡目的で使用されるデータを含み、製品、パッケージ、または部品に適用される、平行線とスペース（一次元）、または長方形、ドット、その他の幾何学的パターン（二次元）からなる機械が読み取れるパターン。
バーコードリーダ： バーコードのデータや情報をデコードするデバイス。バーコードリーダにはレーザーを使用して情報をデコードするもの（レーザースキャナ）や、照明やカメラを使用してバーコード画像を取り込み、それを読み取って解析するもの（画像ベースバーコードリーダ）があります。
バーコード検証： 一次元、二次元、およびDPMコードの印刷品質と可読性を指定された基準に照らしてグレード付けするプロセス。バーコード検証機：バーコードの品質をグレード付けするために使用されるインラインまたはオフラインのデバイス。
バイアス軽減： AIや機械学習モデルのバイアスを低減または除去するために使用される手法や戦略。これには、公正な結果を保証するために、トレーニングデータ、アルゴリズム、意思決定プロセスにおけるバイアスを発見し、対処することが含まれます。一般的な方法には、データバランシング、アルゴリズムによる調整、敵対的バイアス除去、後処理による補正などがあります。
バイアスと分散のトレードオフ：最良の予測精度を達成するための、モデルのバイアスを最小化する能力と分散のバランス。バイアスが高すぎるとアンダーフィッティングを引き起こし、モデルが単純になりすぎてデータの複雑さを捉えきれない可能性があります。逆に、分散が高いとオーバーフィッティングになり、モデルが複雑になりすぎて、トレーニングデータでは予測がうまくいくものの、未知のデータではうまくいかない可能性があります。トレードオフで、総合誤差を最小化するための適切な複雑さのレベルを見つけます。
ビッグデータ： 複数のソースから膨大なデータセットを集め、分析ツールを使用して独自の見解を生成する技術。学習アルゴリズムで人の意思決定を模倣し、正確な予測を生成するためには膨大な情報を必要とするため、ビッグデータはAIの基礎となっています。自動化された工場では、ビッグデータ分析を使用してAIを活用した取り組みが実現されています。複数のソースから膨大なデータセットを収集し、分析ツールを使用して独自の洞察を生み出す技術。学習アルゴリズムで人の意思決定を模倣し、正確な予測を生成するためには膨大な情報を必要とするため、ビッグデータはAIの基礎となっています。自動化された工場では、ビッグデータ分析を使用してAIを活用した取り組みが実現されています。
キャリブレーションプロセス： カメラの計測値を実際の反射率レベルにマッピングし、検証ソフトウェアの反射率レベルのベースラインを設定します。キャリブレーションプロセスでは、反射率レベルを調整し、これらのレベルをチェックして、最も正確な検証結果を確認します。ISO準拠にするには、検証機をキャリブレーションする必要があります。
キャリブレーションカード： NISTトレーサブルの判定カードに照らしてグレード付けされたマスターシンボルを持つカード。これらのシンボルは、キャリブレーション値のキャリブレーションやチェックに使用できます。
セルコントラスト： ISO/IEC TR 29158の評価パラメータ。ISO/IEC 15415の「シンボルのコントラスト」と呼ばれるパラメータのDPM版で、バーとスペースの相対コントラスト値を計算します。
セルモジュレーション： ISO/IEC TR 29158の評価パラメータ。ISO/IEC 15415で使用される最大反射率と最小反射率の平均値ではなく、分布の平均値に設定された評価スケール範囲によって計算されるモジュレーションのDPM版。
化学エッチング： ダイレクトパーツマーキングの一種であり、温度調整されたエッチング剤の槽を使用して金属を取り除き、希望の形状を形成するサブトラクティブ法の製造工程です。
分類： データをAIの有効性を向上させる個別のカテゴリに分けること。ファクトリオートメーションでは、データ収集デバイスで生産環境をスキャンし、機械部品や電子部品などの特定のオブジェクトを認識します。AIアルゴリズムは、これらのオブジェクトを分類し、生産ライン内の適切な処理先にルーティングするのに役立ちます。
クロックパターン： 二次元コード内の行数と列数を示します。
クラスタリング： データポイントの母集団をクラスタに分離して、類似するものと相違するものを把握します。学習アルゴリズムはクラスタをスキャンして、その意味を解釈し、適切な行動を予測します。たとえば、クラスタリングアルゴリズムは、光学式スキャンデバイスで取得したデータを処理し、スキャンで製品の欠陥が検出されたときの対処を決定します。
コンピュータビジョン： 機械が現実世界の視覚情報を解釈し理解できるようにします。これには、画像やビデオなどの視覚データに基づき分析と判断を行うようコンピュータに教えることも含まれ、多くの場合、オブジェクトの発見と分類に重点を置いています。コンピュータビジョンは、産業用途にとどまらず、顔認識、自律走行車、医療用画像処理など、さまざまな分野で利用されています。
適合性キャリブレーションカード： 検証機のレポート機能を確認し、ISO/IEC 15415、ISO/IEC 15416、およびGS1仕様などの業界標準の順守を文書化するのに使用される意図的に不具合を含んだ「テストシンボル」が記録されているカード。
データクリーニング/スクラビング： 問題のあるデータを削除して、学習アルゴリズムの有効性を磨きます。AIは、正確で信頼性が高く、一貫性のあるデータソースを持つ必要がある高度なデータモデルに依存します。残念ながら、データ収集によって、冗長、不正確、期限切れ、または他の方法で役に立たない情報が生成されることがよくあります。データのクリーニング（またはスクラブ）はリスクを軽減し、AIの精度を向上させます。
ディープラーニング： 複雑で高度にカスタマイズされたアプリケーションを自動化するよう設計されたAIテクノロジ。グラフィックプロセシングユニット（GPU）を介して処理が行われるため、大容量の詳細な画像セット（数百～数千の画像）から高度なニューラルネットワークを構築できます。ディープラーニングは、これらのニューラルネットワークを利用して膨大な画像セットを迅速かつ効率的に解析し、微細なばらつきのある欠陥を検出して、許容される異常と許容されない異常を区別します。
データマトリックス：大容量のデータ（最大2,335文字の英数字または3,116文字の数字）をエンコードでき、エラー補正システムを使用して40％もの損傷を受けたコードを読み取ることができる二次元コード。正方形または長方形内の黒と白のセルで構成され、ファインダとクロックパターンを含みます。
解読しやすさ： 理想的なサイズと比較して、バー幅とスペース幅の精度をグレード付けします。バー幅の拡張や歪みがあるバーコードは、解読しやすさのグレードが低くなります。
デコード： 標準の参照デコードアルゴリズムを使ってコードが読み取れるかどうかを確認します。
被写界深度： 画像内でシャープに見える最も近いオブジェクトと最も遠いオブジェクトの間の距離、またはバーコードリーダがバーコードを正常にデコードできる距離を指します。
ダイレクトパーツマーキング（DPM）：シリアル番号、部品番号、日付コード、バーコードなどの製品情報を部品に恒久的にマーキングするプロセス。これにより、ライフサイクル全体を通じて部品を追跡できるようになります。たとえば、化学エッチング、ドットピーン、レーザーマーキングなどがあります。
識別AI： 与えられたデータに基づいて結果を予測するAIモデル。これらの結果は、検査作業において画像が「良い」か「悪い」かのような分類であったり、テキストの段落が肯定的か否定的かの識別であったりします。この予測は無制限ではなく、AIモデルは何を予測すべきかを知っているため、典型的なマシンビジョンアプリケーション向けのアプローチです。
ドームライト： さまざまな角度から均一の光をあてて、反射表面でもグレアのない光を作ります。光る、湾曲のある、凹凸のある表面の検査に使われます。また、湾曲や質感のある部品に印刷されたDPMコードの検証にも使用できます。効果を高めるには、ドームライトを対象物に近付けます。
ドットピーン： カーバイドまたはダイヤモンドのスタイラスで構成されるダイレクトパーツマーキング法で、スタイラスが高速で作動し、材料表面に一連の小さなドットを形成します。スタイラスは表面に沿って移動し、英数字や機械で読み取り可能なコードやロゴなどのマークを形成します。
エッジコントラスト： 隣接するバーとスペースの差を計測します。
エッジカウント： 一次元コードのエッジ数をカウントする合否パラメータ。
エッジラーニング： 使いやすいよう設計されたAI技術で、事前学習済みアルゴリズムを使用してデバイス、つまり「エッジ」でデータを処理します。簡単に設定でき、従来のディープラーニングを用いたソリューションと比べて、非常に少量の画像セット（わずか5～10個の画像）と少ない学習回数しか必要としません。この分野の専門知識は不要です。ビジョンの専門家でなくても簡単にエッジラーニングツールを学習させ、数分間で検査結果を出すことができます。
要素： 線形バーコード内の個々のバーまたはスペース。
エシカルAI：公平性、透明性、説明責任、人権尊重を優先するAIシステムの開発。それは、AIテクノロジが、危害や差別を引き起こすことなく、責任を持って導入されることを保証し、プライバシーと多様性を守りつつ、社会に利益をもたらす意思決定を促進するものです。製造業において、エシカルAIは、自動化とAI主導のプロセスがバイアスを最小限に抑え、包括性を促進しながら、より安全で効率的な生産を促進することを保証します。
説明可能なAI（XAI）： AIシステムは意思決定プロセスを明確にするように設計されているため、オペレータは自動化テクノロジが生産に与える影響を信頼し、理解することができます。XAIは、AIモデルがどのように結論を出すかを透明化することで、メーカーが潜在的な問題を発見し、効率を改善し、重要なプロセスにおいて説明責任を維持するのを支援します。これにより、自動化システムに対する信頼が高まり、より信頼性の高い、情報に基づいた分析が保証されます。
連合学習：データが複数のデバイスやノード（スマートフォン、IoTデバイス、エッジデバイスなど）に分散されている非集中型データによる機械学習モデルの学習手法。データを集中管理してモデルを1箇所でトレーニングする代わりに、モデルは各デバイス上でローカルにトレーニングされ、更新は中央サーバーで集約され、共有されます。
視野： カメラがサポートする全体的な画像サイズまたはカバーエリア。
検出パターン： 「ロケータ」または「L」パターンとも呼ばれ、二次元コードの左側と下側のラインをつなぎ、リーダが機械読み取り可能なコードの位置を特定し、向きを決定するのに役立ちます。
固定パターン損傷： コードの検出パターン、クロックパターン、またはクワイエットゾーンのエラー。
生成AI： 既存のデータからパターンを学習し、テキスト、画像、音楽、音声、動画などの新しいコンテンツを生成することに焦点を当てたAIのサブセット。これらのモデルは、ディープラーニングやニューラルネットワークのような技術を使用し、トレーニングしたデータに基づいて独自の出力を生成します。分類や予測に使用されることの多い産業用AIとは異なり、生成AIは、人間が作成したコンテンツを模倣し、斬新で創造的なコンテンツを生成することに重点が置かれています。
勾配降下法：機械学習で使用される基本的な最適化アルゴリズムで、モデルのパラメータを調整することでコスト関数を最小化します。コスト関数の勾配（傾き）を計算し、誤差を減らす方向に移動し、最終的に最適解に収束します。
グリッド非均一性： コードのグリッドからの最大偏差、またはX軸とY軸の角度の90度からのずれを計測します。
Global Standards One（GS1）：バーコードに代表されるビジネスコミュニケーションのグローバル標準を開発。
グローバルしきい値： 暗さと明るさを示すスケール上のポイントで、セルが明るいと暗いのどちらに近いかを決めます。
画像認識： AIを使用してデジタル画像の内容を分析すること。画像認識アルゴリズムは、数百万のピクセルをスキャンし、エッジラーニングまたはディープラーニングを適用して人、場所、物を区別します。この技術により、バーコードスキャンと自動検査が可能になり、自動化された工場の生産性を劇的に向上させることができます。参照：マシンビジョン
インラインバーコード検証機： バーコードの品質を自動的にグレード付けするために使用される、生産ラインの固定位置に設置されたISO準拠のデバイス。
国際電気標準会議（IEC）：電気技術の全分野の国際規格を設定する組織で、一部の品質規格については国際標準化機構（ISO）と連携しています。
国際標準化機構（ISO）：さまざまな国家的規格団体の代表者で構成される標準策定機関。ISO規格は幅広く、バーコードに関連するものとして、バーコードにおけるデータの配置、デコード方法、バーコードの大きさを計測する方法などがあります。バーコード品質に関連するISO規格は次の3つです。一次元バーコードについてはISO/IEC 15416、二次元ラベル印字バーコードについてはISO/IEC 15415、二次元DPMコードについてはISO/IEC TR 29158です。
モノのインターネット（IoT）： 機械や人の行動からリアルタイムのインテリジェンスを収集するインターネットに接続されたセンサのネットワーク。スマートフォン、ウェアラブル、ビデオカメラ、交通モニタ、機械や生産ライン内のセンサなどが含まれます。IoTセンサは、機械学習を可能にするのに必要な大量のデータを生成します。
ISO/IEC 15416：一次元バーコードのバーコード検証規格。この規格では、コード全体にわたって10本のスキャンラインを取得し、各ラインの最も低いグレードのパラメータに基づいてグレードを割り当てることが要求されます。正式なグレードは、すべてのスキャンラインのグレードの平均です。
ISO/IEC 15415：二次元ラベル印字コードのバーコード検証規格。この規格は、8つの異なる画像とデータに関連するパラメータに従ってグレード付けします。それぞれの一番低いグレードが、コードの総合的なグレードになります。
ISO/IEC TR 29158：ダイレクトパーツマーキング（DPM）コードのバーコード検証規格。この規格は、ISO/IEC 15415で定義されたシンボル品質のグレード付けの手法を拡張したものです。さらに、代替照明条件、いくつかの新しいパラメータ、計測値の修正、特定のパラメータのグレード付け、グレード付け結果の報告についても定義しています。
大規模言語モデル（LLM）： 膨大なテキストデータで学習した高度な機械学習モデルで、人間の言葉を理解し、生成し、流ちょうに操ります。ディープラーニングとニューラルネットワークを用いて、自然言語のパターンを模倣したテキストを予測および生成し、翻訳、要約、コンテンツ生成などのタスクを自動化できます。OpenAIのGPTのようなLLMは、自然言語処理アプリケーションを強化し、製造業やそれ以外の分野での効率化とイノベーションを促進します。
レーザー刻印： レーザービームでオブジェクトの表面を彫刻、除去、着色、焼鈍、形成し、材料にラベルを付けるダイレクトパーツマーキングの方法。
ラインスキャン： ウェブ製造などの連続検査アプリケーションで使用されます。物質がスキャンエリアを通過して移動する際に、幅が広く非常に細い画像を撮影します。ソフトウェアを使い、線状の画像を並べて全体画像を再編成します。これらのアプリケーションでは、標準の二次元カメラよりも処理が高速です。
機械学習： 人によるプログラミングを使わず成果を向上させるコンピューティングプロセス。機械学習アルゴリズムは、成功を追求し、失敗を避けるようコンピュータに何百万回も学習させ、学習成果を生み出します。たとえば、画像認識は、数百万の画像を分析することで、デジタル画像内のオブジェクトの違いを識別します。参照：トレーニングデータ
マシンビジョン：工業向けのコンピュータビジョンのアプリケーションで、カメラ、センサ、ソフトウェアを使用して、製造ラインにおいて製品の検査、計測、判断を行います。画像ベースの分析を可能にすることでAIが従来のルールベースのマシンビジョンを強化し、システムが画像を参照データベースと比較して欠陥や異常を特定します。このプロセスは、複雑な視覚検査を自動化し、製品品質の向上、エラーの削減、コストの削減を可能にします。AIの2つの最先端テクノロジであるエッジラーニングとディープラーニングは、ルールベースのアルゴリズムでプログラムするには複雑すぎて時間のかかる、変化が非常に激しいタスクの自動化をさらに簡素化するのに役立ちます。
マシンビジョンシステム： 産業用機械が「見る」ことを可能にするソリューション。これらのシステムはカメラと画像処理ソフトウェアを使用して、二次元画像をキャプチャして解析し、検査、計測、識別などのさまざまな製造タスクを実行します。
ミル： 1000分の1インチ（0.001インチ）。
最小反射率： 一次元バーコードでは、このパラメータはスペースから反射される光が必要な比率を満たし、コードのバーの色が十分な濃さであるか確認します。DPMコードの場合は、元の画像の明るさを計測します。ISO/IEC TR 29158規格では、検証処理が行われる前に検証ソフトウェアが自動的に画像を明るくすることが求められます。調整前のシンボルの明るさが5％未満の場合、不合格になります。
最小のXディメンション： バーコード検証機のカメラ解像度の制限を指します。検証機を選択する際は、最小のXディメンションは、印刷またはマーキングされた最小コードの最小バーまたは最小モジュール幅のサイズより小さくなければなりません。
モジュレーション： モジュールにおける反射のばらつきの程度に基づいたグレード。グレードを決定するには、多段階のプロセスが用いられます。
モジュラビジョントンネル：柔軟なスキャントンネルは、仕分け、入庫、出庫などの物流業務のスピードと効率を高めるように設計されています。1面から6面までのバーコード読み取り機能があり、さまざまなスピードやパッケージのギャップに合わせて拡張可能です。信頼性の高い読み取り率で複数シンボルのデコードが可能な画像ベースのDataManバーコードリーダを備えています。
マルチモーダルAI： テキスト、画像、音声、動画など複数のデータタイプを同時に処理して統合し、より正確で状況に適合した洞察を提供するAIシステム。これらの入力を組み合わせることで、視覚データとテキストデータの両方が欠陥検出を改善する、製造業における自動検査のようなアプリケーションを強化します。この機能により、AIは複雑な環境をより効果的に解釈できるようになり、工業やオートメーションタスクの効率、精度、適応性が向上します。
自然言語処理（NLP）： コンピュータが人間の言語を理解し、解釈し、生成し、これに応答することを可能にするAIの一分野。言語学と機械学習を組み合わせることで、NLPは感情分析、言語翻訳、自動テキスト処理などのアプリケーションを強化します。また、音声作動制御システムを通じて効率を高めることができ、オペレータは音声コマンドで機械と対話できます。また、保守記録とレポートの分析を自動化し、予知保全のパターンを見つけ、ダウンタイムを削減します。NLPは、調達注文や出荷データを処理することでサプライチェーン管理を最適化し、よりスマートな意思決定と運用効率の改善を実現します。
ニューラルネットワーク： ヒト神経系の神経経路から生まれたアルゴリズムとデータノード。ニューラルネットワークは、神経細胞が情報を受け取り、それを処理し、他の神経に伝達する方法をエミュレートします。ニューラルネットワークの何千もの処理ノードで画像、テキスト、話し言葉などのデータのパターンを見つけます。これらのパターンはアルゴリズムが次の行動を決定し、タスクが成功するたびに改善するよう自ら学ぶのを助けます。
オフラインバーコード検証機： 多くはバッチサンプルテストなどで、バーコードの品質を手動でグレード付けするために使用するISO準拠のハンドヘルドまたはデスクトップデバイス。
光学文字認識（OCR）：印刷された数字、文字、符号を意味のあるデジタルデータに変換します。AIテクノロジによってOCRの精度が飛躍的に向上したため、曲がっていたり、剥がれていたり、損傷していたり、プラスチックラッパで隠れていたりするラベルをスキャンすることも可能です。
オーバーフィッティング： 機械学習モデルが過度に複雑で、データの基本的なパターンだけでなく、ノイズやランダムな揺らぎも学習するケース。その結果、モデルはトレーニングデータに対しては非常に優れた性能を発揮しますが、新しい未知のデータに対しては性能が低下します。なぜならモデルは学習セットの汎化を行うのではなく、基本的に学習セットを記憶してしまっているからです。これは、モデルが現実世界のデータの予測を正確に行う能力を低下させます。
有無検査： 画像に特定の部品、オブジェクト、特徴があるかないかを判断するプロセス。ピクセル数、パターン、エッジの有無を判断するツールなど、さまざまなソフトウェアツールが、ピクセル数、パターン認識、または線形エッジの特徴に基づいて部品を見つけるために使用されます。
クワイエットゾーン： バーコードを付近の画像、形状、および文字などから区別するためにバーコードの周りにある空白のスペース。クワイエットゾーンの量は個々のバーコードの仕様で定義されています。
反射マージン： モジュレーションと反射マージンは多くの場合同じものです。ただし、一部のモジュールが間違った色と判断され、エラー補正が使われた場合のみ異なります。
正則化：オーバーフィッティングを防ぐことで、モデルの精度を向上させる機械学習手法。これは、複雑さに対するペナルティを追加することで、新しいデータに対してより良い性能を発揮するシンプルなモデルを奨励するものです。正則化の一般的なタイプには、Lasso、Ridge、Elastic Netがあり、それぞれより信頼性の高いモデルの構築に役立ちます。
強化学習： 機械学習の一種で、エージェントが累積報酬を最大化するために環境との相互作用により判断することを学習します。エージェントは、ソフトウェアプログラムであったり、物理的なロボットであったりしますが、その行動に基づいて、報酬やペナルティといったフィードバックを受け取ります。試行錯誤を繰り返しながら戦略を練り上げ、時間をかけて性能を向上させていきます。このアプローチは、ロボット、ゲーム、自律走行車などの逐次的な意思決定シナリオにおいて特に効果的です。
ロボティックプロセスオートメーション（RPA）： 生産を自動化し、生産性を向上させ、面倒な反復作業から人々を解放するデバイス、ソフトウェア、プロセス。RPAデバイスには、自動車部品の溶接やマイクロプロセッサの組み立てなどのタスクを行うロボットアームが含まれます。RPAソフトウェアには、以前は人による入力を必要としていたプロセスを自動化するアルゴリズムとアプリケーションが含まれます。
スキャン反射率プロファイル（SRP）： 線形バーコードの幅にわたる反射率の変化を表します。これは、使用する品質パラメータの計測とグレード付けの基礎となります。
感情分析：文章が肯定的か、否定的か、中立的かを計算で判断するプロセス。ルールベース、自動、ハイブリッドのアプローチなど、さまざまな自然言語処理アルゴリズムを使用して、表現された気分や心情に基づいてテキストを分類します。
シンボルのコントラスト： コードの最も明るいスペースの最大反射率と最も色の濃いバーの最小反射率の差を計測するグレード値。
構造化データ： 機械がデータの意味を理解し、正確に処理するのを助けるフレームワーク。構造化データは、スプレッドシートの行、列、セルのように一貫性のある形式で格納されます。
非構造化データ： データが何を意味し、どのように処理されるべきかを機械が理解するのを助けるもう一つのフレームワーク。非構造化データは、ワープロファイルのテキストやビデオのピクセルに似ています。AIアルゴリズムを採用すると、ファクトリオートメーションシステムは、両方の種類のデータから知識を抽出することができます。
教師あり学習： 機械学習の一種で、各入力と正しい出力が対になったラベル付きデータをモデルが学習します。モデルは、学習中にデータのパターンを見つけることで、入力を正しい出力にマッピングすることを学習します。一度学習すると、モデルはこれらの学習済みパターンに基づいて、新しい、未知のデータに対し予測を行えます。
群知能： 複数のアルゴリズムをまとめ、協力させることで、集団の中の個々の能力を超える知性を生み出すこと。蜜蜂、魚、鳥、その他の社会生物の行動をモデルにした群知能システムは、簡単で具体的なタスクを個々の機械学習アルゴリズムに割り当てます。これらのアルゴリズムを連携させることにより、単一のアルゴリズムが生成するよりもはるかに洗練された学習成果を生み出すことができます。参照：ニューラルネットワーク
トークン化：自然言語処理（NLP）における基本的なプロセスで、テキストのストリームをトークンと呼ばれる小さな単位に分解します。これらのトークンは、個々の文字から完全な単語やフレーズまでさまざまであり、機械が人間の言語を分析し理解することを容易にします。
トレーサビリティ：サプライチェーンを通じて品目の履歴、アプリケーション、または場所を追跡し、トレースする能力。これは、製品の原産地、含有材料、製造方法など、製造工程に関する情報を収集します。
トレーニングデータ：AIアルゴリズムの学習を促すデジタル情報。AIおよびニューラルネットワークアルゴリズムは、良いデータと悪いデータの違いを知る必要があります。トレーニングデータはそれを行えるようにします。たとえば、自動化された工場では、デジタル画像がトレーニングデータを提供することで、アルゴリズムは欠陥のある機械部品を探し、完成品に使われないようにすることを学習します。
転移学習：あるタスクを学習したモデルを、次のタスクの基盤として再利用する機械学習手法。この方法は、2つ目のタスクが1つ目のタスクと関連している場合や、2つ目のタスクのデータが限られている場合に最も効果的です。最初のタスクで学習した特徴を使うことで、モデルは新しいタスクにより効率的に適応することができます。
アンダーフィッティング： 機械学習モデルが単純すぎて、データの根底にあるパターンを捉えることができないケース。これは通常、モデルの複雑さが十分でないか、使用する特徴が限定的すぎる場合に起きます。その結果、学習データと未知のデータの両方で性能が低下し、モデルの汎化能力と正確な予測能力が妨げられます。これは、モデルの汎化能力と正確な予測能力を制限してしまうため、AIモデルを構築する際に避けるべき問題の1つです。
未使用エラー訂正： 不正確なモジュールに対してさらに利用可能なエラー補正能力のパーセンテージ。
教師なし学習： ラベル付けされた結果のないデータをモデルが学習する機械学習アプローチ。目標は、モデルが自律的にデータ内のパターン、関係、構造を特定することです。 クラスタリング、異常検知、大量のデータセットに隠れた洞察の発見などによく使用されます。
検証： バーコードデータを受信したコンピュータシステムがそのデータの意味を正しく解釈できるように、バーコードデータのフォーマットがアプリケーション要件に従って正しいことを確認します。
Xディメンション： バーコードの最も狭いバーまたは最小モジュールのサイズ。通常mils（ミル）で表されます。