～技術動向と長期運用への課題～
1口（1社3名まで受講可能）でのお申込は 受講料 66,000円（税込）/1口 が格安となります。
☆☆☆ Web配信セミナー ☆☆☆
☆☆☆ 本セミナーは、Zoomを使用して、行います。☆☆☆
トリケップスセミナーのご案内
開催日時：2024年9月27日（金）12:30～16:30
参 加 費：お1人様受講の場合 51,700円（税込/1名）
1口（1社3名まで受講可能）でお申し込みの場合 66,000円（税込/1口）
★ 本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、お申込み前にZoomのテストミーティング（http://zoom.us/test）にアクセスできることをご確認下さい。
★ インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。
★ 受講中の録音・撮影等は固くお断りいたします。
お申し込み受付中
申込方法
お1人様受講の場合、下記のカートへの投入、あるいはFAX用紙にてお申込ください。
1口でお申し込みの場合、下記のFAX用紙にてお申込ください。
| お1人様申込み | ||
| FAX申込用紙PDF | ||
| 1口（1社3名まで受講可能）でお申し込み | FAX申込用紙PDF | |
講 師
徳永 旭将（とくながてるまさ）氏
九州工業大学大学院 情報工学研究院 知能情報工学研究系 准教授（博士（理学））
2006年03月 九州大学 理学部 地球惑星科学科 卒業
2008年03月 九州大学大学院 理学府 地球惑星科学専攻 修士号取得
2011年03月 九州大学大学院 理学府 地球惑星科学専攻 博士号取得（理学博士）
2011年04月 明治大学 先端数理科学インスティテュート研究推進員
2012年04月 一般財団法人高度情報科学技術研究機構 計算科学技術部 職員
2013年05月 大学共同利用機関法人 情報システム研究機構 統計数理研究所 データ同化研究開発センター 特任助教
2015年04月 九州工業大学大学院 情報工学研究院 システム創成情報工学研究系 准教授
2019年04月 九州工業大学大学院 情報工学研究院 知能情報工学研究系 准教授
現在に至る。
＜兼務＞
2018年10月～2022年03月 国立研究開発法人科学技術振興機構さきがけ 研究員
2018年08月～2019年03月 九州大学 国際宇宙天気科学教育研究センター 客員准教授
2018年04月～2019年03月 情報システム研究機構・統計数理研究所 ものづくりデータ科学センター 客員准教授
＜受賞＞
2013年 統計関連学会連合 コンペティション講演最優秀報告賞
2009年 第126回地球電磁気・地球惑星圏学会学生発表賞（オーロラメダル賞）
＜研究テーマ＞
・ベイズ推論や統計的機械学習を基軸としたイメージデータ解析技術の研究
・自動外観検査など、モノづくりの現場を支えるイメージ解析AIの研究
・線虫の神経細胞レベルの膜電位/Ca2-同時イメージングに基づくニューロモルフィックAIの研究
セミナーの概要
製造業において、外観検査は製品の品質管理に欠かせないプロセスである。従来は、専門的知見をもつ技術者が目視で不良の有無を確認していた。しかしながら、検査項目の増大や人手不足の深刻化により、この検査工程の自動化がモノづくりの重要な課題となっている。近年では、ディープラーニングのような統計的機械学習に基づく外観検査AIが注目を集めている。このようなデータ駆動的アプローチは、十分な訓練データさえ準備できれば、従来のルールベース的な手法と比べ、より柔軟で例外に強い 自動外観検査の実現が期待できる。
本セミナーでは、外観検査AIの導入に関心を抱いている技術者や管理責任者を対象とし、外観検査AIの概要、技術的背景、技術動向、導入の際に考慮すべき困難性などについて概説する。また、画像からの異常検出技術の研究開発に用いられるベンチマークデータや、近年提案されている代表的な外観検査AIモデルについて紹介する。最後、GoogleColabでPaDiMと呼ばれる画像の異常検出モデルを走らせる演習課題を提供する。
講義項目
1.1 ルールベースの自動外観検査技術
1.2 AIによる自動外観検査
1.3 自動外観検査タスクの例1：Defect Detection
1.4 自動外観検査タスクの例2：Anomaly Classification
1.5 自動外観検査タスクの例3：Anomaly Localization
2 ベンチマークデータの例（実データ）
2.1 MVTec AD dataset
2.2 BTAD（beanTech Anomaly Detection）dataset
2.3 MVTec LOCO AD dataset
2.4 VisA dataset
2.5 Severstal：Steel Defect Detection dataset
2.6 PlantVillage dataset
3 自動外観検査を困難にする要因
3.1 訓練データの不均衡性
3.2 不良モードの多様性
3.3 基準の設定が困難な不良：（欠損異常、テクスチャの異常、概念的異常）
4 外観検査に関連が深いAIの概念
4.1 教師あり学習
4.2 教師なし学習
4.3 限られた訓練データからの学習
4.3.1 半教師あり学習 4.3.2 弱教師あり学習
4.3.3 転移学習
4.3.4 継続学習
5 外観検査AIの技術例
5.1 教師なし学習に基づく外観検査AI
5.1.1 Feature Embedding based Methods
5.1.2 Reconstruction based Methods
5.2 Feature Embeddingに基づく手法の例
5.2.1 Teacher-Student Architecture
5.2.2 One-Class Classification
5.2.3 Distribution Map
5.2.4 Memory Bank
5.3 Reconstructionに基づく手法の例
5.3.1 Reconstruction：Autoencoder, GANomaly, InTra
5.3.2 Denoising: denoising ED, DRAEM, DiffusionAD
5.3.3 Inpainting：Transfomer,GL-CANomaly
5.3.4 Colorization
6 社会実装や長期運用に向けた課題
6.1 Dataset Drift, Domain Shift
6.2 Conceptual Drift
6.3 新規性や外れ値の検出
6.4 解釈性の問題
7 演習課題