Cassavaとは?

良品データのみで良品・不良品判定を行える 外観検査 ソフトウェアです。

良品のみから学習を行うため、データの収集が簡単であり、その上で高い精度を実現できます。

Cassava 外観検査 イメージ

事例紹介

良品データを学習することで、様々なタイプの不良品を検出できます。

事例① ナットの不良検出

Cassava 外観検査 良品
良品
Cassava 外観検査 不良 欠損
不良品(欠損)
Cassava 外観検査 不良 溝
不良品(溝)
Cassava 外観検査 逆向き
不良品(逆向き)

事例② ステンレス合板

Cassava 外観検査 良品
良品
Cassava 外観検査 不良 湾曲
不良品(湾曲)
Cassava 外観検査 不良 欠損
不良品(欠損)
Cassava 外観検査 不良 汚れ
不良品(汚れ)

Cassavaの3つの特徴

①良品のみからの学習

従来は、AIがあらかじめ学習したデータと照合し、「検証画像が学習済みのどのデータと一致率が高いか」で分類する手法で不良品判定を行なっていました。 そのため、従来の方法では不良品判定を行う際、不良品のデータも学習させる必要がありました。 しかしながら、この手法には以下の2つの問題があります。

  • 学習用の不良品データを大量に収集することが難しい
  • 全ての不良品データを収集することが極めて難しい

特に2点目は「未知の不良品に対処できない」という致命的な欠点となっていました。

Cassavaでは良品データから良品条件を学習することによって、これら2点の問題を解決しました。 収集するデータも良品画像のみで良いため、実用性が大きく向上しました。

スモールデータでのAI導入が可能

研究レベルで用いられているような数万オーダーのビッグデータの収集は容易ではありません。 製造分野におけるビックデータの収集には2つの問題があります。

Cassava 外観検査 スモールデータ
  • 顧客ニーズの多様化や製品ライフサイクルの短期化により、ビックデータの収集に対する費用対効果がない
  • 歩留まりの関係で不良品データを大量に収集することが困難

Cassavaではビッグデータ型とは異なる手法で、スモールデータでのAI導入を実現しました。

確かな検証結果

画像におけるCassavaの有効性

Cassava 外観検査 良品

良品データ
貴社の良品データをもとに、Cassavaをトレーニングします。

Cassava 外観検査 不良

不良品データ1
目立った傷や変色がなくとも不良品判定が可能です。

Cassava 外観検査 不良

不良品データ2
傷や変色による不良品判定が可能です。

Cassava 外観検査 不良

不良品データ3
向きが逆でもしっかり不良品を判定してくれます。

検証結果の確認

良品データから良品条件を事前に学習したAIはいわゆる『良品バカ』であり、良品データが入力された場合はAIは良品っぽさを正確に予測でき、不良品データが入力された場合はAIは良品っぽさを正確に予測できません。 そのため、AIの予測する良品っぽさと実際のデータの誤差から不良品判定が可能です。
不良品判定結果はグラフで表示されます。 左側の分布が良品データの分布、右側の分布が不良品データの分布であり、閾値を設けることで自動で不良品判定ができます。

Cassava 外観検査 データ 誤差