画像処理に関する記事

【図解】AI画像処理の仕組み、ディープラーニング画像認識

１．はじめに

人工知能ＡＩと言えば、将棋や碁で、プロも負かしてしまうコンピュータ技術でしょう。
コンピュータがパソコンとして普及し始めたときに、ほぼ必ず付属していたものが、ゲームソフトです。トランプや麻雀を初めとして、将棋のゲームがありました。

その頃の将棋ゲームは、ある程度の上級者であれば、負けることはなかったように思えます。それが、コンピュータの進化とともに、スマホが行き渡るころになると、将棋の上級者といえどもなかなか勝てなくなりました。それもそのはず、将棋のプロが負けるほどに、コンピュータの能力が向上したのですから。

このような力をコンピュータに与えた技術が、人工知能ＡＩの技術です。
ＡＩ技術は、産業のあらゆる分野に浸透しています。製造業では、検査システムや画像処理にその力を発揮しています。
このコラムでは、画像処理におけるＡＩについて紹介します。

もし、検査・検品に画像処理を追加して、

省力化、省人化してコストダウンしたい
検査レベルを高めて品質価値を高めたい

というご希望がございましたら、お気軽に画処ラボまでお問い合わせください。
ルール型画像処理からＡＩによる画像処理まで、ご希望に対して幅広い対応が可能です。

業界最大級の画像処理検証施設を開設！

詳しくはこちら

Youtubeチャンネルでも解説中！

２．ＡＩによる画像認識処理の仕組み

人工知能（以下ＡＩと略します）の技術は、次のような分野で力を発揮しています。

文字認識
文字検索、自動翻訳
音声認識
スマホによる音声会話
画像認識
顔認証システム、自動車の自動運転
深層学習
将棋や碁のゲームソフト

製造業においては特に、画像認識が大きな力を発揮します。検査装置の画像をもとに、ＡＩが不良品の判定を行うことができるからです。

（１）画像認識とは

図１は、ＡＩによる文字の画像認識についての紹介です。

画像処理AI　図1

「５」という数字文字のいろいろなパターンの入力画像に対し、ＡＩは、「５である」という答えを出すことができます。殴り書きのような手書きの「５」や、イラスト風の「５」に対しても、正確に「５」と画像認識することができます。

（２）文字の画像認識のステップ

図２では、図１の「５」を画像認識するステップを紹介します。

画像処理AI　図2

画像前処理
入力された「５」の画像には、背景やノイズがあるため、ノイズ除去や背景除去などの前処理を行います
「５」の特徴を抽出します。
例えば、「５」は横棒と縦棒があり、左側が解放された曲線です。
抽出された特徴から、他の数字「２」「３」「７」の特徴と比較し、判定処理を行います。
「５」と判定し、出力されます。

（３）画像から特徴を抽出し、正誤を見分ける

このように、様々なパターンの「５」に共通する特徴をＡＩに学習させ、正誤を判定するのが画像認識処理です。

このような認識をパターン認識などと呼びます。正解の「５」という文字と入力文字の画像を比較し、「５」かどうかの判断をくだす方法です。

この技術を応用することで、さまざまな装置の自動化に貢献しているのです。

３．ニューラルネットワークとディープラーニング

（１）ＡＩによる画像認識の方式

前章で「５」の画像認識にＡＩが使われることを紹介しました。

このＡＩの学習方法には、ルールベース、機械学習、ディープラーニングといったものがあります。

ルールベース
人が「５」の特徴量を教え、コンピュータが特徴量に基づき、「５」を選びます。
機械学習
人がたくさんの入力画像の中から「５」の画像がどれかを教え、コンピュータはそれを元に特徴量を学習し、「５」を選びます。
ディープラーニング
複数枚ある入力画像画像から、ＡＩが「５」の特徴量を自ら見つけ出し、「５」を選びます。この際に使われる仕組みはニューラルネットワークと呼ばれます。

（２）ニューラルネットワークとは

ニューラルネットワークは、機械学習において、画像情報の入力の手間を少なくするために開発された手法です。

図３が、ニューラルネットワークの模式図です。

画像処理AI　図3

ニューラルネットワークは、脳の神経ネットワークを模倣した仕組みです。
入力された情報を、学習データ層と呼ばれる層に渡し、さらに学習データ層から出力へとつなげます。各層のデータ受け渡しに「重み付け」と呼ばれる処理を行っていくことで、正しい出力が得られるよう調整します。

図２の「５」であれば、入力から横棒・縦棒・円弧・曲線といった情報を、重み付けを変えて各層に受け渡して処理を行い、正しい回答が出力されるように調整していきます。そのプロセスを繰り返すことにより、「５」という数字の特徴量を定義するのです。

ニューラルネットワークは、当時のコンピュータの能力が小さく、学習データをが多すぎると対応できないという問題がありましたが、ＰＣ機器の高性能化に伴い、次のディープラーニングに引き継がれました。

（３）ディープラーニングの方法

図４は、ディープラーニングの模式図です。

画像処理AI　図4

ディープラーニングは、図４の通り、学習層をさらに増やした方式で、コンピュータ性能の向上によって実現可能となりました。

より複雑な経路をたどることにより、たとえば「猫と犬の見た目の違いの定義」「リンゴとナシの見た目の違いの定義」といった「言語化できない違い」をＡＩ自らが学習し、見分けることができるようになったのです。

４．ＡＩを使った画像処理

図５では、ＡＩによる画像処理について、さらに具体的に紹介したものです。

画像処理AI　図5

図５は自動車や自転車などの「車」の図から、自動車の特徴量を定義し、自動車の図が入力されたときに、「自動車」と出力されるまでを表しています。

車の入力画像から、画像の前処理を施して特徴の分かる図として特徴量を定義し、入力画像が特徴量と一致すれば、「自動車」と判定します。

ＡＩの方式によって、３章（１）で紹介したと同じように、次のような処理の方法が行われます。

ルールベース
人が「自動車」の特徴量、タイヤ。フロントガラス、ライトなどを定義します。ルールベースは、定義に合った「自動車」の画像を認識できます。
この方法は、大量の画像があると、定義づけに対応できない問題があります。
機械学習
車の画像から、「自動車」はどれかということを人が教えます。機械学習は、車の特徴を量を獲得し定義し、定義に合った「自動車」の画像を認識します。
この方法は、大量の画像を扱う必要がある、人による対応の手間が増加するという問題があります。
ディープラーニング
ディープラーニングは、入力された車の画像から、自動車の特徴量を自ら学習し、その定義に合った「自動車」の画像を認識します。