AI外観検査における判定基準は何？どのように判断基準を修正するかを解説！

AIによる外観検査では、「どのような状態を良品・不良品とみなすか」という判定基準が非常に重要です。しかし、AIが間違った基準を覚えてしまったり、AIが誤った判定を下すこともあります。

その際、どのように判定基準を修正すればよいのかや、どのように最初からある程度の判定基準を教えるのかについて疑問に思う方も多いでしょう。

今回は、AI外観検査におけるAIに判定基準を教える方法や、判定基準が間違っていた場合の修正方法、学習データのアノテーション（ラベリング）の手法について解説します。

AI外観検査において、不良品と良品の判定基準が間違っていた場合には、AIに正しい情報を教え直す必要があります。 また、AIに最初か正しい情報を教えておく方法もあります。 メーカーによって若干異なることがありますが、AIに教える・またAIに教え直す方法は、一般的には大きく分けて二つの方法が用いられます。

今回はアノテーションについて詳しく解説いたします。

• アノテーションの方法と運用の工夫
• パラメーターの調整

アノテーションについて詳しく解説！

アノテーションとは

アノテーションとは、AIによる外観検査において、不良品に見られる「傷」「汚れ」「変形」などの不良箇所にラベルを付ける作業を指します。具体的には、画像上で該当箇所をマークしたり、色を塗ったりして、不良の種類ごとに分類します。

この工程は、AIが「どこが不良なのか」「どのような不良なのか」を正確に学習するための基礎となる、非常に重要な作業です。

また、検査を進める中で、良品と不良品の判定基準が誤っているケースも見られます。そのような場合には、「これは良品である」「ここが欠けているため不良品である」といった正しい情報を与えることで、AIに適切な判断基準を学習させていく必要があります。

教師あり学習

教師あり学習とは、「これは良品」「ここは傷があるから不良品」といった具合に、人がAIに画像とラベルをセットで教える方法です。人が先生となってAIに教える授業のようなイメージから、この名前が付けられています。

この方法の大きなメリットは、人間の感覚を細かく教えられる点です。たとえば、クライアントごとに異なる検査基準や、微細なキズなど、人の感覚で判断が分かれるような検査に適しています。

• 人間の感覚を細かく教えられる点
• 微細なキズなど、人の感覚で判断が分かれるような検査

一方でデメリットとしては、まず教える作業に時間がかかることが挙げられます。「ここが不良」「これは良品」といった判断を細かくアノテーション（ラベル付け）する必要があり、かなりの工数を要します。

また、良品と不良品の画像データを大量に準備する必要があります。特に不良品の画像は、発生頻度が低いために収集に時間がかかるケースが多く、学習の準備段階に時間がかかることが予想されます。

• 教える作業に時間がかかる
• 良品と不良品の画像データを大量に準備する必要がある

このように教師あり学習では時間と手間がかかりますが、AIの判断基準を自社に合ったものにするために重要な作業であり、また頻繁に更新することで精度も向上します。そこで、アノテーション作業を誰でも簡単に行えるように工夫することが非常に大切です。続いて、アノテーションをするツールについて紹介します。

アノテーションのツールについて

• ペンツールで不良箇所を塗る
• マークを付けるだけのシンプル操作

アノテーションの質と量の重要性

特に外観検査では、AIが正しく判定できるかどうかは、アノテーションの「質」と「量」に大きく左右されます。正確なラベル付けを十分な件数こなすことで、AIの判断精度が向上し、実運用に耐えうるレベルへと成長していきます。

このデータの質や収集・アノテーションに時間がかかるなどのAI構築までの道が長く感じる場合は、生成AIからアノテーションまでワンストップで行える場合もあります。

AI構築において、データの質や収集・アノテーションに時間がかかり、プロセスが長く感じられる場合、生成AIからアノテーションまでをワンストップで提供するサービスを利用することも選択肢の一つです。効率的にプロジェクトを進める手助けになるでしょう。

関連記事：もう不良品は見逃さない！AI外観検査における「教師あり学習•教師なし学習、半教師あり学習の3つの学習法」徹底比較ガイド ～貴社のAI外観検査に適した学習方法とは？

まとめ

アノテーションは、AI外観検査において正しい判定基準を学習させるための重要な工程であり、不良箇所にラベルを付けることでAIが正確に良品・不良品を見分けられるようになります。しかし作業には手間と時間がかかるため、誰でも扱いやすいツールを活用し、質と量の両面から学習データを整備することが精度向上の鍵となります。