AI外観検査とルールベースの違い
ルールベースは、人が決めた明るさや面積などの条件で検査します。白い面の黒い汚れのように判定条件が明確な対象では、簡単な処理が役立ちます。AIは、例として与えた画像とラベルから欠陥の特徴を学びます。正常な模様や傷にばらつきがある場合に役立つことがありますが、良品の種類が足りない、特定の傷に偏る、ラベルを間違えると、結果に影響します。
使い方
最初は暗さと最小面積を調整し、汚れだけを検出してみてください。次に正常模様と傷を加え、同じ画像に対する検出領域を比べます。学習例の構成が異なる4モデルを切り替えたら、撮影の明るさを変更し、両方式で何が変わるか確かめます。最後は設定を固定して別の24枚を開き、採用候補と重視した理由を選びます。その場で再学習は行いません。
結果の読み方と比較の限界
不良品を通した数と、良品をはじいた数を、それぞれの母数と一緒に見てください。正解率だけでは、不良の見逃しと良品の廃棄を区別できません。併用は「どちらかが不良と判定したら止める」方式です。見逃しを抑える一方、過検出が増える場合があります。準備する設定、画像、領域ラベルの負担も判断材料です。
画像と正解領域は独自の合成データです。特定の二値化処理と小型モデルの比較であり、方式全体の優劣ではありません。位置合わせや形状処理などのルール改善も選択肢です。練習画像で繰り返し調整した結果を、未知画像の性能とは呼びません。実工程では光学系、照明、対象製品をそろえた追加検証が必要です。
画像・判定結果は端末内で処理し、外部AIへ送信しません。操作状態はページ内のメモリだけで保持し、再読み込みで消えます。プライバシーの取り扱い
処理・利用条件
学習済みモデルは本教材独自のものです。推論エンジンはONNX Runtime Web 1.22.0。教材・ライブラリの利用条件 ／ モデルの構成記録。最終更新日：。