Cassava

Cassavaとは?

Cassavaの3つの特徴

従来とは大きく異なる不良品判定手法

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。

  • 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

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。

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。

不良品データ2

傷や変色による不良品判定が可能です。

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。

事例紹介

樹脂製キャップ

イヤホンキャップ等の樹脂製品に対して、Cassavaで不良品判定することができます。

良品
不良品
ヒストグラム
手書きの丸記号

手書きで書いた丸記号に対して、Cassavaで不良品判定することもできます。

良品
不良品
ヒストグラム

導入の流れ

STEP① お問い合わせ

Cassava for OpenPoCのダウンロードはこちらへお問い合わせください。

STEP② 実証実験(PoC)

ダウンロードしたソフトを用いて貴社内でCassavaの実証実験を実施していただきます。
貴社内で実証実験が可能であるため、ノウハウや機密データを社外に持ち出す必要はありません。
また、実証実験中のソフトの利用に対するコストはかかりません。

STEP③ 導入準備

ご報告いただいた結果をもとにラインへの導入準備を進めていきます。
お打ち合わせを通して貴社の製品に関するヒアリングや予算等をもとに弊社パートナー企業とともに導入可能性を検討させて頂きます。
貴社の製品・製作工程に特化した組み込みアプリの開発を行い、ライン導入時の生産効率化を担います。

STEP④ 本導入

ラインへの導入が決定しましたら、ライセンスをご購入いただきます。
本導入後は、マニュアルを用意し、貴社自身で運用ができるようにいたします。

ご希望に応じて、保守・運用サポート、技術支援、最新技術情報の提供などを行い、お客様が安心してお使いいただけるようにサポートいたします。

お問い合わせ

ソフトウェアのダウンロード・その他のお問い合わせはこちらから

page top