视觉检测中的图像识别与分析技术
人工智能(AI)是一种机器自己学习的技术，近年来一直是一个活跃的研究和开发领域。
通过应用机器学习，理光开发了图像识别和分析技术，即使样本图像数量很少，也可以准确检测异常。这项技术在工业应用方面的机会特别大。
使用该技术的程序连续第二年(2014年和2015年)在日本举行的精确检测产品缺陷的视觉检测算法比赛中获得优秀奖。
生产区域需要自动目视检查
在制造工厂，需要通过基于图像的自动视觉检查将制造的部件分类为良好或有缺陷。
一般来说，在生产的产品中，好的零件多于有缺陷的零件。因此，很难制备大量的缺陷样品。此外，如果有许多类型的缺陷，那么制备就更加困难，因为必须制备许多不同的样品来覆盖所有类型的缺陷。
通过只学习好的部件的数据来检测未知类型的缺陷
理光选择使用半监督异常检测作为机器学习方法，并对用于机器学习的特征量进行了研究，这样即使在样本数量很小的情况下也可以进行学习。在一个算法中半监督异常检测，系统只学习良好部件的数据，因此即使是未知类型的缺陷也可以获得较高的识别性能。
图1检测结果示例1
(图片来源:2014视觉检测算法大赛(日文)
图2检测结果示例2
(图片来源:2015视觉检测算法大赛(日文)
图1和图2显示了使用该算法的检测结果示例。红色框表示手动指定的正确答案区域，在那里将检测到缺陷。绿色帧表示根据算法检测到缺陷的区域。从图中可以看出，该算法得到的检测区域与正确答案的缺陷检测区域相似。
的特性半监督异常检测即机器学习方法
机器学习是一种用于图像识别和分析的方法。在机器学习中，计算机接收某些输入，从中学习，并预测有用的输出。作为初步步骤，系统需要学习某些输入图像和相应的正确答案输出(正确答案标签)的组合。学习步骤之后是决策步骤，在此步骤中，系统接收特定的图像输入，并根据所学习的内容预测和输出正确答案。
在监督机器学习中，通常使用所有标签的数据(输入图像和相应的正确答案输出)进行学习。例如，为了学习如何区分良好部件和有缺陷部件，系统需要使用包含良好部件和有缺陷部件样本的数据集进行学习(部件的样本图像以及表明它们是良好部件还是有缺陷部件的标签)。
半监督异常检测是机器学习的另一种方法。在这种方法中，学习只基于单个标签的数据，例如，只有良好的部分。因为只需要准备一个标签的数据，所以可以根据有限的样本进行学习。
在机器学习的学习步骤中，系统计算多个输入图像(正确答案图像)的特征量，并将其作为正确答案特征量进行学习。在决策步骤中，系统同样计算输入图像的特征量，然后使用计算出的特征量和在学习步骤中学习到的正确答案特征量来预测正确答案，并输出答案。
当图像转换为特征量时，基于特征量的空间(特征向量，因为它们是多维的)称为特征空间。在识别过程中，基于机器学习在这个特征空间中进行识别。如图3所示，在学习步骤中，在多维特征空间中形成分离平面。在决策步骤中，对输入图像的特征量分类到哪个标签上进行识别。
图3特征空间中学习方法的差异
理光开发了一种新的算法，将半监督异常检测用特征量适当地描述图像中目标物体的形状。将该算法应用于制造业领域基于图像的视觉检测中，验证了该算法的高精度识别效果。
