表で分かる、ディープラーニングと従来の画像認識の違い：分かったつもり？ AI画像認識

ディープラーニングを使った画像認識は、従来の方式と何が違うのでしょうか。現場の技術レベルや認識対象の特長といった項目ごとに、表で説明します。さらに、ディープラーニングを使うべきではないケースについてもお伝えします。

[パナソニック ソリューションテクノロジー]

監修：中尾雅俊

パナソニック ソリューションテクノロジー AI・アナリティクス部ソリューション推進課 主事

2017年にNVIDIAとの協業を担当したことを皮切りに、AI・データ分析中心の業務を推進。初期投資や導入リスクが大きい、「人工知能の現場導入で失敗させない」活動としてセミナー講演など多数実施。受講者からは、「AIがよく理解できた」「そんなノウハウを話しても良いの」と心配されるほど。最近の趣味は実用を兼ねたDIYや果樹菜園など。

監修：矢嶋 博

パナソニック ソリューションテクノロジー　産業IoTSI部ソリューション推進課 係長

製造業向け「AI画像認識ソリューション」のSEとして、営業支援やPoC推進を担当。ソフトウェア開発からITインフラ構築まで、これまでの幅広い経験を生かし、AI画像認識システムの提案から導入、AI学習トレーニングまでを手掛けている。趣味の風景や家族写真撮影に加え、学習用画像収集をライフワークにしている。

　AIやAI画像認識に対する誤解を解きながら、AI画像認識の導入や活用を成功へと導くためのポイントを紹介する本連載。前回は、ディープラーニングの仕組みと特徴について解説し、「できること」「できないこと」があるというお話をしました。

　ディープラーニングを画像認識に活用する際は、必ず知っておかなければならない「3つの真実」があります。今回は、ディープラーニングを使った画像認識と従来方式の違いを整理した上で、1つ目の真実である「課題によっては、ディープラーニングを使わないほうがよい領域がある」ということについて説明します。

	3つの真実
真実その1	課題によっては、ディープラーニングを使わないほうがよい領域がある
真実その2	ディープラーニングの頭脳を育てるには相当の労力がいる
真実その3	画像認識だけでは、製造ラインの完全自動化は難しい

真実その1 課題によっては、ディープラーニングを使わないほうがよい領域がある

　AI画像認識で何ができるかをユースケースごとに分類すると、大きく「モノが何であるかを知る」「状態を知る」「位置を知る」の3つに分けることができますが、身の回りに、このようなユースケースは幾つもあるのではないでしょうか（図1）。

図1　AIによる物事の分類

　現場では人の目視による作業が多く行われています。例として、製造業のケースでシミュレーションしてみましょう。

　まず、原材料を入荷する際には、正しく荷物が到着したか、箱に詰められた原料に異常はないかのチェックがあるでしょう。生産工程では、作業モレで部品が欠損していないか、作業手順にミスはないか、装置のメーターは正しい位置を指しているかなどの確認が行われているはずです。そして最後の出荷工程では、製品の色や形に問題がないか、包装紙に破れや印刷不良はないかなど、数えきれないほどの目視作業が行われています。

　保守やメンテナンスの業界でも、設備が正常な状態で維持されているかの外観点検がありますし、物流業界でも、荷物の行先確認や危険物を選別して扱うために荷物に貼られたラベルを目視確認することもあるでしょう。

　これらの目視作業について、全てディープラーニングで対策するのが、果たして正解なのでしょうか（図2）。

図2　AI画像認識の現場でのユースケース

　工場の製造ラインの一部では、ディープラーニングではなく、従来の画像認識技術によって製造の自動化を実現しているケースがあります。実を言えば、このようなケースでは、ディープラーニングによる画像認識ではなく、従来型の画像認識を使ったほうが精度の高い認識ができる場合があります。

　ここで言う「従来型の画像認識」とは、人が対象物の特徴点をあらかじめ選定し、「その特徴点がどのような状態だったら、このように判定する」といったアルゴリズムを記述する方法を指しています。判定の仕方を「アルゴリズムで書くことができる」ということは、対象物の特徴点がある程度限定されており、その変化の範囲も想定できることを意味しています。

　製造ラインに製品が流れている例で考えてみましょう。ラインが正常に稼働している前提において、ライン上には、ほぼ同じ形状や状態の製品が連続して流れているはずです。

　ここで、作業員によるビス止め作業のし忘れを画像認識によってチェックしようとしたとします。この場合、ビス止め工程後に撮影した製品画像の状態は、「ビスがない場合（作業のし忘れ）」と「ビスがある場合」の2つの状態に分かれるだけで、それを単純に判別するだけなら、ビスのあり／なしに至る途中の状態は考える必要はありません。このように、特徴点や状態が明確なケースでは、判定の方法をアルゴリズムで書くほうが効率的と言えます。

　これに対して、製品製造中についてしまったキズのチェックはどうでしょうか。

　キズの形状や特徴が限定される場合は、アルゴリズムを書くほうが効率的な場合もあるでしょうが、多くのパターン（方向、深さ、形状など）が生まれる可能性のあるキズに対して、1つずつ特徴をアルゴリズムで書くことは、論理的には可能であっても、実質的には現実的ではありません。このように画像認識のアルゴリズムを記述し、それを維持するのが難しいケースは、次の3つに集約できます。

（1）対象物の認識において、特徴点が数多く存在し、どこで判定すればよいかで迷うような場合

（2）判定条件が固定ではなく変化する場合

（3）認識する対象が後から追加されるような場合

　これら3つのケースでは、従来型の画像認識を使うよりも、ディープラーニングの採用を検討したほうがよいといえるでしょう（表1）。また、従来型の画像認識を使うか、ディープラーニングを使うかを判断するうえでは、「画像認識したい特徴を、言葉で言い表すことができるかどうか」を基準にして考えてみるとよいでしょう。

表1　従来方式とディープラーニングの違い

　以上、今回はディープラーニングについて、製造現場での適用の可能性を考察しました。次回は、ディープラーニングに関する3つの真実のうち「ディープラーニングの頭脳を育てるには相当の労力がいる」について詳しく解説します。ご期待のほどを。

企業紹介：パナソニック ソリューションテクノロジー

パナソニック ソリューションテクノロジーは本格的なICT時代の幕開け前から30年にわたり、IT基盤の設計・構築、ソフトウェア、SIサービスでお客さまの業務課題解決に努めてきました。さらにICTシステムの設計・構築を起点に、Al・データ分析、IoT、働き方改革、そしてBPOまで分野を広げています。製造業や建設・物流・金融・エネルギー・自治体など、さまざまな業界・業務の知見を基としたソリューションで、お客さまの仕事の仕方・プロセスを加速度的に変え、成長につなげていきます。