不良サンプルは実際に何枚必要か

なぜ5枚で十分なのか

少数サンプル学習は、画像から多次元の特徴を抽出し、有効な情報により大きな重みを与えます。欠陥のあらゆるバリエーションを見せる代わりに、何が欠陥を欠陥たらしめているのかを学習します。

これに転移学習が加わります。同じ材質・同じ工程の製品に共通する特徴はすでに学習済みのため、新しい品目は差分だけを学習すれば済みます。現在30以上のモデルが互換性を持っています。

1枚で十分な場合

大型パネル、車体、大型モーターなどは実際に輸送するのが難しいため、現地で撮像した1枚のサンプルからモデルを構築します。部品を移動させるよりも、実際のラインに合わせて撮像条件を設計するほうが正確だからです。

良品サンプルだけで十分な場合

ワンクラス学習は良品の分布を学習し、そこから外れたものを異常と判定します。新製品で不良履歴がない場合や、不良がまれで収集に数か月かかる場合に適しています。

ただし、欠陥をタイプ別に分類する必要がある場合（タイプごとに処置が異なる場合など）は、タイプごとのサンプルが必要です。それでも1タイプあたり5枚程度です。

この回答が当てはまらない場合

• 欠陥が人の目にも見えない場合は、サンプル数より光学系が先決です。照明とレンズで可視化できなかったものは、どんなアルゴリズムでも判定できません。
• 良品間のばらつきが欠陥そのものより大きい場合は、まず基準を定義する必要があります。これは PoC の段階で行います。
• 検査基準が文書化されておらず、検査員の感覚に依存している場合は、まずその判断をデータとして取り込むことから始めます。

PoCで実際に行うこと

• 検査対象と欠陥タイプを確認し、NDAを締結します。
• サンプルまたは画像を安全な方法でお受け取りします。
• 光学構成を設計し、撮像します。
• モデルを学習させ、過検出と見逃しを混同行列で報告します。
• ラインのタクトとハードウェアに合わせて検査速度を算定します。