Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.

Rist紹介資料(2019年3月)

Deep Learningを用いた画像・動画・音声の解析システムを提供している株式会社Ristの会社紹介資料

  • Identifiez-vous pour voir les commentaires

  • Soyez le premier à aimer ceci

Rist紹介資料(2019年3月)

  1. 1. 株式会社Ristのご紹介©Rist Inc.
  2. 2. ©RistInc. ©RistInc. 01 01 目次 会社概要1 Deep Inspectionのご紹介 Deep Meshのご紹介 製造業以外の分野での実績 問い合わせ∼導入まで 事例1:村上開明堂様 事例2:大手パッケージ・ラベル製造会社様 Deep Inspection Collatioのご紹介 事例3:凸版印刷様 事例1:戸田建設様 事例2:コニカミノルタ様 2 3 4 5
  3. 3. ©RistInc. ©RistInc. 02 02 会社概要 事 業 理 念 産官学の垣根を越えて 既存のテクノロジーを生かし、 現代社会の課題を解決する。 会 社 概 要 会 社 名 設 立 日 H P 東 京 本 社 京 都 支 社 株式会社Rist 2016/8/1 http://www.rist.co.jp 東京都目黒区目黒2-11-3 京都府京都市左京区孫橋町23 SAMURAIビル2F Deep Learningによる 非構造データの処理に特化 国内外のメーカー、大学、 病院、プロスポーツチーム などと提携 製造業 医療画像 スポーツ など 画像 動画 音声
  4. 4. ©RistInc. ©RistInc. 03 03 Deep Learningを用いた画像検査システム 人の目による判断を で補完するAI Deep Inspection
  5. 5. ©RistInc. ©RistInc. 04 04 例えば... 大量のOKデータ画像とNGデータ画像により ネットワークをトレーニングする OK NG NG 過去の人間の判定基準と同様に 新しい画像を自動で判定することが可能 OK
  6. 6. ©RistInc. ©RistInc. 05 05 3つの主要なアルゴリズム 分類 汚れ群 サビ群 キズ群 異常箇所検知 セグメンテーション
  7. 7. 事例1 村上開明堂様
  8. 8. ©RistInc. ©RistInc. 07 07 村上開明堂様のご紹介 バックミラーで国内シェア No.1No.1
  9. 9. ©RistInc. ©RistInc. 08 08 1 2 鏡の表面検査工程 鏡の表面の不具合の検知 不具合の種類の15種類の分類を行う ・・・
  10. 10. ©RistInc. ©RistInc. 09 09 従来システムの問題点 最終的に、検査員が目視で確認 1.画像の色味など数値化 2.人が閾値を決める n 閾値の設定が困難 n 精度60%ほどの対象あり
  11. 11. ©RistInc. ©RistInc. 10 10 多クラス分類の畳み込み ネットワーク(CNN)を使用 Ristのアプローチ 自信がないものは人間に判断を委ねつつ 確実に目視検査の負荷を軽減 A 30 25 20 15 0.2 0.4 0.6 0.8 1.0 35 10 5 0 Deep Inspectionの判定自信度 サンプル数 青線:正解 橙色:不正解 精度:99%以上 従来通り目視検査 精度:99%以下 自動システム検査 全体では90%の精度 →使い物にならない 低い自信度のものは 従来通り目視検査 高い自信度のものは 自動検査へ 自信度 B C …
  12. 12. ©RistInc. ©RistInc. 11 11 検証結果と今後の取組 検討結果 今後の取り組み 検査の自動化により得られたデータから 上流工程の最適化なども目指していく ●3000枚を検証 ●従来の精度60%から、精度97%を達成 ○2018年6月からラインへ導入、増産予定 ○全ライン導入後は検品作業員が7割削減 ○タイ、中国といった海外展開を検討中
  13. 13. 事例2 大手パッケージラベル製造会社
  14. 14. ©RistInc. ©RistInc. 13 13 実現したいこと ある領域の高さ・幅の ピクセル数を測定 高 さ 幅
  15. 15. ©RistInc. ©RistInc. 14 14 従来の課題 K社製の検査機器使用時 課題 1.影やシワなどで、測定すべきラインの検出を間違える 2. 100枚に1枚程、上記のような正しくないラインを検出 高 さ 幅
  16. 16. ©RistInc. ©RistInc. 15 15 Ristのアプローチ 自動運転や医療分野で利用されている セグメンテーションアルゴリズムを利用 SegNet FusionNet 高さ 幅 パッケージのある領域を Deep Learningで 抽出し、幅測定
  17. 17. ©RistInc. ©RistInc. 16 16 試験結果 K社の検査機器 100枚に1枚のエラー Ristのシステム 10,000枚に1枚のエラー 100倍の精度向上を実現 2018年8月工場へ導入実験
  18. 18. 比較検査システム Deep Inspection Collatio
  19. 19. ©RistInc. ©RistInc. 18 18 1. 同一部品エリアの良品・不良品のペアを作成 学習フェーズ 2.不良エリアを教示 許容される差分 許容されない差分 3. Rist独自比較ニューラルネットワークを使用し、良品エリア差分/不良エリア差分の特徴を学習 画像提供:精密工学会 外観検査アルゴリスムコンテスト2015
  20. 20. ©RistInc. ©RistInc. 19 19 予測結果 画像提供:精密工学会 外観検査アルゴリスムコンテスト2015 「異常な差異」のみを検知する非常に柔軟な比較検査 正常画像 異常画像
  21. 21. ©RistInc. ©RistInc. 20 20 事例3:凸版印刷様 プリンター&スキャン由来の差異を学び 検知すべき異常のみを見つける 印刷業界への応用 従来のマッチングでは 過検出となる対象
  22. 22. Deep Learningを用いた3D認識システム 現場の 肌感覚を 自動化する Deep Mesh
  23. 23. ©RistInc. ©RistInc. 22 22 自立飛行型ドローンとAIを活用した施工の最適化 ❶発破 ❷ドローンに よる自動撮影 ❸画像処理 ❹3次元点群データ Blast Eye Blast AI 学習したAIが良否判定 3次元 点群データ 熟練者 (暗黙知) 人工知能AI
  24. 24. ©RistInc. ©RistInc. 23 23 自立飛行型ドローンとAIを活用した施工の最適化 不良な発破:爆薬量が不足した例 良好な発破 不良な発破:爆薬量が過大な例
  25. 25. ©RistInc. ©RistInc. 24 24 3D LiDARのAI活用 3D-LiDARによるリアルタイム 三次元情報の取得 動体認識・行動解析・形状認識技術 https://www.konicaminolta.com/jp-ja/future/3dlr/index.html https://special.nikkeibp.co.jp/atcl/NBO/16/010500001/
  26. 26. ©RistInc. ©RistInc. 25 25 3D LiDARのAI活用 Deep Learningによる程反射率物体の距離推定 3D-LiDARの課題である低反射率物体の距離測定精度を向上
  27. 27. ©RistInc. ©RistInc. 26 26 製造業以外の分野での実績 スポーツ 動画からの動作認識・骨格検知 医療画像への展開 眼底画像から 網膜剥離判定率98%以上 (2018年で関連論文5報)
  28. 28. ©RistInc. ©RistInc. 27 27 問い合わせ∼導入まで カメラや照明などの選定 運用方法や現場導入も 実績ベースで提案 1 2 3 4 5 6 問い合わせ 要件定義 試作開発 本開発 導入 保守
  29. 29. https://www.deep-inspection.com 「検査ソフトウェア」ではなく 「目視検査の必要無い世界」を提供します。

×