HLAC技術活用
独自の異常検知AI
AI外観検査にアダコテックの新提案
外観検査モデル作成サービス
-AdaInspector®Cloud-
サービス概要：AdaInspector® Cloud は Deep learningとは異なる仕組みの高次局所自己相関（Higher-order Local Auto-Correlation ; HLAC）特徴量を活用した独自の異常検知AI技術を採用し、良品画像を学習させ外観検査モデルを作成・精度検証が可能なクラウドサービスです。AI外観検査に新たな可能性をもたらします。
３つの特長
GPU
不要
クラウドの豊富な計算リソースを用いるため、GPU非搭載の汎用PCをネットに接続しすぐに始めていただけます。
学習モデル
作成が簡単
ウェブブラウザ上の操作でご用意いただいた画像をドラッグ＆ドロップするだけ。検査用学習モデルの作成が簡単です。
性能検証
機能
作成したモデルの性能検証機能もご用意しています。モデルの性能をご確認いただき再学習も容易です。
検査シーンへの適用
作成した検査モデルはダウンロードし
生産現場の検査システム（エッジPC）で
オフラインにてご利用いただけます。
※ 検査システム組込用API、サンプルアプリのご提供も実施しておりますのでご相談ください。
得意な検査シーン
従来の検査ソフトウェアが苦手とすることの多い
パターン模様を持つワーク表面の検査が得意です。
産総研特許技術”HLAC”を用いた外観検査の仕組み
高次局所自己相関
（HLAC）とは？
3×3ピクセルのマスクパターンを用い特定ピクセルとその近傍の局所的な自己相関から特徴量を抽出します。これを全体に対し演算することで画像を表す特徴ベクトルに変換する技術です。
良品画像をHLAC特徴量に変換し学習
良品画像をHLAC特徴量に変換。主成分分析を行うことで良品画像が持つ形状特徴の分布を統計的に定義、正常学習モデルを作成します。
この際、製造ばらつき・撮像むらを含む良品画像を学習に用いることで良品自体のばらつきを考慮することが可能です。
正常モデルとの乖離の大きさで良否判定
良品画像から作成した正常モデルに対し、分布から大きく外れるような、異なる形状特徴を持つ画像のみを異常として判定します。
良品画像でモデルを作成しますが、画像の前処理、モデルのしきい値の最適化に不良画像も必要になります。
関連技術ブログ
アダコテックのメンバーが詳細を解説しています。
世界一やさしいHLAC入門（間違い探し編）
今回はアダコテックのコア技術であるHLAC(高次局所自己相関)をPythonで実装しながら、サンプル問題として間違い探しを解き、HLACの仕組みについて解説しようと思います。
READ MORE>
HLACを試してみた：メッシュシートの外観検査！
身近な工業製品メッシュシート を例に外観検査への適用についてご説明したいと思います。細かい繰り返し構造の正常のばらつきの中から特異な形状特徴を異常として検知することで外観検査に適用できます… READ MORE>
導入ステップ
1
テーマ設定
ご面談にて対象の検査シーンにおける貴社課題のヒアリングや、検証のゴール設定を実施します。
まずはご相談ください。
2
初期検証
検査画像(良品100枚程度、不良品数枚～)をご準備ください。
当社エンジニアがモデル作成・性能検証を実施し、技術的対応可否を確認します。
3
N増し検証
製品をご利用頂きながら、画像の枚数やパターンを増やし、実運用水準まで検査モデルを改善します。
必要に応じ当社にてサポートさせていただきます。
4
ライン導入
検査モデルを現場の検査システムに導入いただき、運用を開始いただけます。
※検査システム組込用API、サンプルアプリのご提供も実施しておりますのでご相談ください。
まずはご相談下さい
製品の詳細、ご費用感の資料請求についても
下記フォームより問い合わせください。