こんな課題はありませんか
検査機のNG判定を人が再確認する「ベリファイ工程」には、多くの現場が共通の悩みを抱えています。
過検出だらけで、ベリファイが終わらない
流出を防ごうとするほど欠点候補は増え、目視確認は夜勤・残業の常態化を招きます。
判断基準が属人化し、再現性が低い
作業者ごとに判定ルールがブレやすく、品質観点でも見過ごせない差が生まれます。
AI化したいが、GPUや投資が重すぎる
一般的なAI検査はGPU搭載PCや設備更新に多額の投資が必要で、導入サイクルが間に合いません。
Shiwaketterが選ばれる4つの理由
国内大手企業への豊富な導入実績
自動車OEM／Tier1メーカー、大手電子部品、化学メーカーなど、精度と信頼性が問われる現場で採用が進んでいます。
— 大手鋼板メーカー様（導入事例より）
独自の国産技術で、学習時間を最大1/30に
産総研発の認識技術「HLAC」をコアに採用。同一PC環境での実測比較では、一般的なディープラーニングのソフトウェアに対して最大30倍の学習速度を確認しています。データセットの見直しもすぐ試せます。
| 学習枚数（256px） | Shiwaketter | 比較対象ソフト |
|---|---|---|
| 1,000枚 | 2分 | 60分 |
| 5,000枚 | 11分 | 300分 |
| 10,000枚 | 22分 | 600分 |
CPUで200枚/秒以上を実現する高速推論
専用GPUボードも不要。汎用のCore i9搭載PCで1秒あたり220枚（256×256px）を処理し、インライン検査のタクトタイムにも十分対応します。
| CPU | 1秒あたり | 1分あたり |
|---|---|---|
| Core i5 | 160枚 | 9,655枚 |
| Core i7 | 185枚 | 11,146枚 |
| Core i9 | 220枚 | 13,182枚 |
サブスクではなく、買い切りライセンス
サブスクの導入には抵抗がありますよね。1カ月に数回、数カ月に一度の学習の調整のためにサブスクは納得感が低いもの。Shiwaketterはランタイムも学習アプリの買い切り。しかもバージョンアップも初期費用の範囲でサポートします。
適用事例
代表的な2つの事例と、既存の検出機との連携イメージ、判定根拠を可視化する特徴量マップアプリをご紹介します。
フィルム（電極シート）の欠陥分類
電極シート上に発生する欠陥を分類した事例。欠陥モードごとに異なる特徴を抽出し自動分類します。
エンボスシートの欠陥分類
キズ・荒れ・その他・虫の4クラスに自動分類。特徴量マップ上で判定根拠を確認できます。
欠点検出機との連携イメージ
既存の欠点検出機の画像を読み込み、AIがあらかじめ欠陥種を仕分けた状態でロールマップ上でのベリファイが可能です。
ベリファイ結果はレポート出力可能。手記入によるミスも抑制できます。
特徴量マップアプリのご紹介
学習結果は「特徴量マップ」でそのまま可視化されます。似た欠陥・似た品種は近くに配置され、クラスごとの分布や境界線が一目で分かります。この見える化が、Shiwaketterの調整のしやすさを支えています。
導入企業の声
ルールベース検査だけでは対応しきれないグレーゾーン判定や、検査後の仕分け負荷が長年の課題でした。Shiwaketterの導入検討では、高い分類性能に加え、GPU不要・汎用PCで運用可能という導入しやすさも評価され、現場でのAI分類活用が進んでいます。
導入までの流れ
ヒアリング
検査機の情報、ラベル毎の画像数枚、判断ポイントをご共有ください。
技術検証
ラベル付き画像をもとにAIモデルで検証（初回相談は無償）。
AI導入
学習/実行ソフトウェアを提供。装置組込などのインライン化もご相談可能。