機械学習と高解像度画像処理の革命以来、多くの業界で品質管理が完全に自動化されつつあります。新しい画像処理アルゴリズムにより、すべてのユニットをチェックして製造上の欠陥を検出できるため、選択したユニットを手動で目視検査する必要がなくなりました。同じプロセスは現在、サプライチェーン内で偽造品を検出するためにも使用されています。
機械学習のための画像認識の基礎
機械学習 (ML) アルゴリズムは、特定のドメインからの大量のデータを使用してプロセスを最適化し、より効率的な結果を実現します。MLシステムは、データ ポイントを結び付けるパターンと相関関係を認識するように自らをトレーニングすることで機能します。これを実現するには、堅牢なアルゴリズム、関連情報の大規模なデータセット、狭いドメイン、そして具体的な目標が必要です。
一部のトップML企業や研究者の目には、ディープラーニングは何百もの業界に革命をもたらすために適用できる画期的なテクノロジーとして映っています。抽象的な作業の多くは完了しており、今度はMLを使用してそれを持続可能なビジネス モデルに変える時です。
画像認識では、データセットに関連する画像を区別するために、すべての画像を正しく識別することが重要です。MLベースのシステムがさらされる正しい画像の例が多ければ多いほど、パターンをより正確に拾い上げて、フィールド内の違いを識別できるようになります。
回路基板の欠陥検出のためのMLアルゴリズム
近年、PCBの自動目視検査は大幅に進歩しましたが、いくつかの研究では、ディープラーニングが従来の機械ベースの分類および特徴抽出アルゴリズムよりも優れていることが示されています。[1]
ほとんどのPCB製造施設では、欠陥は最初に自動検査 (AOI) マシンによって検出されます。次に、品質検査エンジニアがフラグが付けられた各PCBを検証します。
残念ながら、AOIマシンは、傷、小さな穴、またはほこり、紙片、小さな気泡などのナノ粒子の存在のために、多くのボードを誤って不良品として分類する可能性があります。さらに、熟練したエンジニアでも検査中にミスを起こすことがあります。したがって、品質管理手順の精度を向上させるには、適切にトレーニングされたMLシステムを使用することが不可欠です。
昨年、台湾の元澤大学の研究者らは、一度だけ見る（YOLO）畳み込みニューラルネットワークを使用してPCBの欠陥検出精度を98.79%に達成したという研究を発表しました。[2]
他の単純な分類器と比較して、YOLOは実際に広く使用されています。これはシンプルで 統合されたオブジェクト検出モデルであり、フル画像を使用して直接トレーニングできます。Fast YOLOは、最速の汎用オブジェクト検出器です。YOLOv2は、さまざまな検出データセットにわたる他の検出システムと比較して、オブジェクト検出のリアルタイム速度と精度の間で最適なトレードオフを提供します。
論文によると、研究チームは11,000枚の画像、24の畳み込み層、 のネットワーク、および2つの完全接続層を使用しました。Tiny YOLOv2アルゴリズムをトレーニングするために、研究者らはNvidia TITAN V GPU上で実行されるKerasフレームワーク [3] を使用しました。
不正検出、偽造品、コンポーネントのパフォーマンス
2019年、経済協力開発機構（OECD）は、偽造品や海賊版が世界の貿易量の3.3％を占めていると報告した。この割合は毎年増加しています。偽造品の影響を最も受けている国は米国であり、押収された偽造品の24%に米国のブランドや特許が関連していた。[4]
電子機器は、偽造品の影響を最も受けている業界の一つです。重要な部品の価格が上昇し、サプライチェーンに混乱が生じると、その空白を埋めるために多くの偽造品が市場に流入します。さらに困難なことに、偽造部品のほとんどは、元の部品と区別することがほとんど不可能です。
完成品、特に消費者向け製品の偽造品の検出は、目視検査によって行うことができます。しかし、偽物と本物の商品を見分けるには、よく訓練された目と知識が必要です。
この点において画像認識の利点は非常に大きいです。MLアルゴリズムは、何百万もの画像を分析し、形状、色、テクスチャ、サイズにおけるわずかな不一致や異常も検出できます。
電子部品の場合、目視検査だけでは困難になります。市場には偽造品や古い在庫が溢れています。偽造部品や中古部品を使用すると、機器や財産の損害、製品のリコール、および潜在的な責任が発生する可能性があります。
偽造部品や改造部品を検出する際の精度を向上させるには、画像認識に加えて、他の方法とMLアルゴリズムが必要です。過去数年間で、ブロックチェーン技術は、製品や部品の真正性を保護し、サプライチェーンの安全を確保するための重要なソリューションの1つに急速に成長しました。
たとえば、 IBM は、ブロックチェーンを画像処理や人工知能と組み合わせて、製品の真正性を検証しています。同社のCrypto Anchor Verifier[5] は、ML、ニューラルネットワーク、ビデオ分析を使用して液体の特性を評価し、色、彩度、粘度、その他の化学的特性を識別し、製品が偽造品か本物かをより正確に判断する手段となります。さらに、電子部品の電気パターンを認識して、新しい部品を同じSKUの以前の世代と区別するようにトレーニングすることもできます。
サプライチェーンにおけるAIとMLの役割は始まったばかり
最近、パンデミックによる世界的なサプライチェーンの混乱により、多くのサプライヤーやメーカーが製品や部品を他の場所で調達せざるを得なくなりました。最新のテクノロジーとMLを使用すると、偽造部品を回避し、より迅速で効率的かつ正確な品質管理を実行できます。
画像認識とMLの精度は絶えず向上し、高速化しているため、多くの業界で品質管理や偽造品検出にそれらを使い始めています。
より多くの業界が業務をクラウドに移行し、トレーニング データの可用性が向上することが予想されます。AIとMLの機能が飛躍的に向上するにつれ、これらのソリューションが、前述の業界における製品の品質とパフォーマンスの向上に役立つ可能性がすぐにあります。
[1] Bengio, Y.; Courville, A.; Vincent, P. 表現学習：レビューと新たな視点。IEEEトランスパターンアナル。マッハ。インテリジェンス2013年、http://doi.org/10.1109/TPAMI.2013.50
[2] 一度だけ見る畳み込みニューラルネットワークを用いたプリント基板の欠陥検出。https://doi.org/10.3390/electronics9091547
[3] 「Keras: PythonディープラーニングAPI」https://keras.io/。
[4] OECD/EUIPO（2019年）「偽造品・海賊版・不法取引の取引動向」OECD出版、パリ、https://doi.org/10.1787/g2g9f533-en。
[5] 「IBM Crypto Anchor Verifier - 概要 | IBM」https://www.ibm.com/products/verifier。