TECHNOLOGY - アダコテック

アダコテックの技術紹介

アダコテックは、国立研究開発法人産業技術総合研究所（産総研）にて発明された日本発の画像解析技術「高次局所自己相関（HLAC）特徴量抽出法」を活用し、Deep Learning とは異なる機械学習ベースのAI技術を中心にお客様の課題解決に取り組んでいます。

HLAC特徴量抽出法の説明と、画像を用いた良品学習での外観検査への適用を例にHLACを活用する技術についてご紹介します。

産総研特許技術高次局所自己相関（HLAC）特徴抽出法とは？

高次局所自己相関特徴（HLAC: Higher-order Local AutoCorrelation）は、画像の解析や認識等に用いられる認識精度に優れた汎用かつ高速な特徴抽出法です。積和演算のみで算出可能なので、検査対象の形状を市販PCで高速に計算することができます。 HLACは画像内の各ピクセルを中心とした小領域（3x3のマスクパターン）を用いて、その領域内での各ピクセルの相対的な位置関係に基づく輝度の自己相関を計算します。自己相関は、同じ領域内の複数のピクセル間での輝度の相関関係を表しています。例えば、1次のHLACでは、中心ピクセルとその1つ隣のピクセル間の自己相関を計算します。高次のHLACでは、更に離れたピクセル間や複数のピクセル間の自己相関を計算します。これにより、より複雑なパターンやテクスチャーを捉えることができます。

HLACの外観検査への応用

①正常部分空間の作成：画像の分割

良品画像を集め（100枚程度）、特徴を表現することができるサイズに画像を分割します。
分割されたそれぞれの画像をパッチと呼びます。

②正常部分空間の作成: 特徴抽出

HLACは画像（パッチ）内の各ピクセルを中心とした小領域（3x3のマスクパターン）を用いて、その領域内での各ピクセルの相対的な位置関係に基づく輝度の自己相関を計算します。自己相関は、同じ領域内の複数のピクセル間での輝度の相関関係を表しています。2値HLACにおいては25種類のマスクパターンを用いてHLAC特徴量を計算し、25次元の空間にマッピングを行います。この特徴空間上においては近い特徴を持つ画像は近い座標に配置されます。

③正常部分空間の作成: 判別特徴抽出

④正常部分空間を用いた異常検知

パッチごとに正常部分空間からの直行距離を算出し、異常値とします。そしてパッチごとに異常値に基づいた色で塗りつぶし、ヒートマップで表現することで画像内の欠陥の箇所を確認することができます。

⑤しきい値を設定しPass/Fail判定

異常値にしきい値を設け、しきい値以内におさまっている画像は「良品（Pass）」、画像内にしきい値以上の異常値があった場合には「不良品(Fail)」とすることで検査結果が得られます。欠陥箇所を異常として検知できるかだけでなく、異常値の高い箇所はどの特徴量が良品と異なることで異常となっているのか統計的な指標から解釈できるため、調整および調整限界を理解するのに役立ちます。