⼤⼿から中⼩までのAIによる外観検査とIoTビッグデータの分析事例

Cyber Robotics LLC 永⽥ 悠介

サイバーロボティクス社概要

AI

現場力

スマートロボット

エラー検知、故障予測、需要予

測など製造業に関わる幅広い課

題に対応するAI開発力

課題検討、AIシステム導入、メンテナンス、全て深く現

場にお邪魔します

エラー検知、故障予測、需要予

測など製造業に関わる幅広い課

題に対応するAI開発力

IoT各種センサーによる

ビッグデータ蓄積技術

サイバーロボティクス社概要国内製造業の国際競争力を高めるため、AI / IoTによる事業変革の支援を行っています。

⽬次

AI、機械学習、ディープラーニングについて解説AIによる製造業の事業改善の可能性と導⼊の流れをご紹介します

ü そもそもAIとは？ü 機械学習とディープラーニングの基礎ü AI × 製造業の可能性ü AI導⼊の流れü 質疑応答（フリートーク）３

２

１

そもそもAIとは？

AIの定義

ü ⼈間の知的活動をコンピューター上で再現したシステム

ü 視覚情報ü 聴覚情報ü …

再現ü データ

（画像、⾳声など）

予測、判断予測、判断

AIの歴史ü ３回のブームがあり、現在、技術のブレイクスルー（ディー

プラーニング）、計算資源の⾼度化、ビッグデータの普及により爆発的に拡がっている

出典：『⼈⼯知能は⼈間を超えるか ディープラーニングの先にあるもの』松尾 豊（著）KADOKAWA発⾏

AI、機械学習、Deep Learningの関係ü 機械学習：⼈⼯知能の要素技術の1つü ニューラルネットワーク：機械学習のアルゴリズムの1つü Deep Learning：多層に構築されたニューラルネットワーク

機械学習とはü 機械学習（きかいがくしゅう、英: machine learning）とは、

⼈⼯知能における研究課題の⼀つで、⼈間が⾃然に⾏っている学習能⼒と同様の機能をコンピュータで実現しようとする技術・⼿法のことである。

出典：『機械学習の理論と実践』 Preferred Infrastructure

ディープラーニングとはü ⼈間の神経構造を模したアルゴリズム

…

情報

の流

れ

⼊⼒層

出⼒層

隠れ層

ディープラーニング構造 例

AIに外部から与えるデータ

AIから出⼒される情報

⼊⼒データを出⼒データに変換する演算

各層の説明

画像データ、市場データ

異常検知、需要予測

ディープラーニング活⽤事例

⼊⼒：碁盤情報

…

…

アルファGO：Google DeepMindが開発した囲碁プログラム。世界トップ棋⼠にも勝利

出⼒：特定の局⾯における囲碁⼿

事例ディープラーニング構造

出⼒：きゅうりの等級

⼊⼒：きゅうりの画像

これまで、ベテランの農家が⽬視で仕分けしていたきゅうりの⾃動仕分けプラグラム（https://geek-out.jp/column/entry/2017/11/23/110000）

画像１. 画像の分類（CNN）

２. 物体の検出（R-CNN）

ディープラーニングが成果を出している領域自然言語１. 文書の分類（NN）

野球 自動車サッカー バイク

２. 機械翻訳（RNN）

私/は/永田/です/。/よろしく/お願い/します/。/

音・振動

Siri、アレクサ、Googleホームに代表される音声認識技術のために研究が進んだ領域

ディープラーニングが成果を出している領域２ビッグデータ分析

最近成果が出始めており、注目を集めている。

あまりに巨大なデータは、データサイエンティストによる人力では、分析できず、AIによる自動処理が必要になる。

ビッグデータとは

従来技術との違い

⼈間が予めルールを作成し、そのルールの則って、コンピューターが判断

従来技術 ディープラーニング

OK？NG？

作成

アプ

ロー

チ⼿

間対

応で

きる

状況

の数

教師データを与え、コンピューター⾃らがルールを作成

⾊、形、でこぼこ、⼤きさ…

OKNG OK？NG？

当該エリアの知識を持った⼈間がマニュアルで作成していく

データさえ与えれば、⾃動でルール作成

マニュアルで作成のため、複雑な判断ルール作成は困難

データさえ与えれば、複雑なルールにも対応可能

ディープラニング適⽤可能性

ü ⼊⼒層、出⼒層は、様々な適⽤の可能性があり、画像認識、将来予測、操作最適化など⾮常に多くの可能性がある

画像認識（例：⾃動運転）

将来予測（例：株価予測）

操作最適化（例：スマート

ロボット）

AI × 製造業の可能性

事業背景

ü⼈⼿不⾜や原価増によるコスト増に中⼩製造事業者は苦しむ⼀⽅、AI技術の急激な発展による、それらの問題が解決できる可能性があります

市場課題

中⼩製造業事業者

コスト増

技術発達

AIによる⼈⼿の代替

計算資源の発達

ディープラーニング

データ環境整備

⼈⼿不⾜ 原価増

⼤きな市場機会

国際競争

製造業におけるAIの可能性

ü ⼈が⾏っていた作業の代替、⼈が⾏えなかった作業の創造

製造業におけるAIの活⽤例１

ü センサーは、⾶⾏中の各種データを収集し、それらのデータをAIにて解析

ü ⽶GE社は、⾃社開発航空機エンジンに無数のセンサーを搭載

ü エンジンの故障事前予測だけでなく、各フライトの情報もAIで解析することで、燃料利⽤を最適化するフライトパターンも分析し、航空会社に提供

製造業におけるAIの活⽤例２：丸ノコ再研磨プロジェクト「ディープラーニングの画像認識技術による切削工具研磨工場の検査工程の自動化・効率化」

画像撮影 判定 精度向上

各製品のOKNGを高速自動判定。99%程度の精度を達成

各製品写真を自動で撮影

OK NG

運用しながら、判定をフィードバックしてAIを再学習

秘

所要時間自動化前

自動化後

1800秒20秒

課題定義

社長様、現場の担当者様との密な打ち合わせにより、課題を定義

製造業におけるAIの活⽤例２：丸ノコ再研磨OKとNGな歯の微妙な違いも、検出可能

<AIがOKと判定し、実際にOKである画像＞ <AIがNGと判定し、実際にNGである画像＞

ゴミの写りこみも判定に影響せず

製造業におけるAIの活⽤例３：切削加⼯機ü ３つのAIを統合し、⼯場での⾼速⾃動異常検知および予測を確⽴する

加⼯機

OK

NGIoT

センサー

⼯作異常を加⼯機内のIoTセンサーデータからAIが⾃

動検知OK or NG

加⼯製品の異常を⾃動撮影画像から

AIが⾃動検知

製品

製造⼯程 検査⼯程

検査⼯程での異常検知を⼯作データとつなげることで

AIが異常予測

最適加⼯条件の⾃動算出

IoTビッグデータ分析AI

⽣産効率向上AIシステム

外観検査⾃動化AI

製造業におけるAIの活⽤例３：切削加⼯機ü ３つのAIを統合し、⼯場での⾼速⾃動異常検知および予測を確⽴する

加⼯機

OK

NGIoT

センサー

⼯作異常を加⼯機内のIoTセンサーデータからAIが⾃

動検知OK or NG

加⼯製品の異常を⾃動撮影画像から

AIが⾃動検知

製品

製造⼯程 検査⼯程

検査⼯程での異常検知を⼯作データとつなげることで

AIが異常予測

最適加⼯条件の⾃動算出

IoTビッグデータ分析AI

⽣産効率向上AIシステム

外観検査⾃動化AI

ご参考｜外観検査例

⾃動検査装置従来

ご参考｜外観検査例：弊社事例紹介

ü ３つのAIを統合し、⼯場での⾼速⾃動異常検知および予測を確⽴する

製造業におけるAIの活⽤例３：切削加⼯機

加⼯機

OK

NGIoT

センサー

⼯作異常を加⼯機内のIoTセンサーデータからAIが⾃

動検知OK or NG

加⼯製品の異常を⾃動撮影画像から

AIが⾃動検知

製品

製造⼯程 検査⼯程

検査⼯程での異常検知を⼯作データとつなげることで

AIが異常予測

最適加⼯条件の⾃動算出

IoTビッグデータ分析AI

⽣産効率向上AIシステム

外観検査⾃動化AI

ご参考｜⼯作機からのデータ収集例IoTセンサー 電流波形

⼯作機：CNC⾃動旋盤

4０秒（タクトタイム）

ü ３つのAIを統合し、⼯場での⾼速⾃動異常検知および予測を確⽴する

製造業におけるAIの活⽤例３：切削加⼯機

加⼯機

OK

NGIoT

センサー

⼯作異常を加⼯機内のIoTセンサーデータからAIが⾃

動検知OK or NG

加⼯製品の異常を⾃動撮影画像から

AIが⾃動検知

製品

製造⼯程 検査⼯程

検査⼯程での異常検知を⼯作データとつなげることで

AIが異常予測

最適加⼯条件の⾃動算出

IoTビッグデータ分析AI

⽣産効率向上AIシステム

外観検査⾃動化AI

製造業の⾄上命題：最適加⼯条件の算出

ü タクトタイムが２秒縮まれば５％増産（平均タクトタイム４０秒時）

⼯作機：CNC⾃動旋盤

いずれは、検査レスへ

ü ３つのAIを統合し、⼯場での⾼速⾃動異常検知および予測を確⽴する

加⼯機

OK

NGIoT

センサー

⼯作異常を加⼯機内のIoTセンサーデータからAIが⾃

動検知OK or NG

加⼯製品の異常を⾃動撮影画像から

AIが⾃動検知

製品

製造⼯程 検査⼯程

検査⼯程での異常検知を⼯作データとつなげることで

AIが異常予測

最適加⼯条件の⾃動算出

IoTビッグデータ分析AI

⽣産効率向上AIシステム

外観検査⾃動化AI

技術的課題、その解決⼿段および⽬標値

⼯作⼯程 検査⼯程

⼯作データ 外観データ

各⼯作⼯程において、製品IDが紐付けられていない

⼯作⼯程 ⼈⼿による⽬視検査

⼯作⼯程 機械による⾃動撮影

⼈⼿による⽬視検査

⾃動撮影装置を⼯作⼯程の直後の設計し、⼯作⼯程と外観画像を１対１

対応する

⼯作⼯程データのみで９９％以上の異常を検知

技術課題 解決案

IoTとAIのコツ

⼯作⼯程 検査⼯程

⼯作データ 外観データ

⼯作⼯程 検査⼯程

⼯作データ 外観データ

明確な異常は検知できるが、最終製品結果と紐づいていないため微妙な異常挙動は検知しづらい

⼯作が完了して外観データが撮影されるまで異常が検出されない

ü ⼯作データと最終製品結果が紐づくため、微妙な⼯作データ異常も検出しやすい

ü ⼯作⼯程で、ほぼ全ての異常を検知し得る

従来法 今回の取り組み

製造業におけるAIの活⽤例４：射出成形機

ü 射出成形機の勘所

ベントガス圧、モーターのトルク

ü 加硫機の勘所

加硫メカニズムの要、温度と圧⼒を決める先端の⼝⾦の状態⼝⾦の直径の摩耗具合、温度、圧⼒直径×圧⼒＝流量

製造業におけるAIの活⽤例５：プレス加⼯機

製造業におけるAIの活⽤例５：プレス加⼯機

製造業におけるAIの活⽤例５：プレス加⼯機

農業におけるAIの活⽤例１：スマート農業

1. 超省⼒・⼤規模⽣産を実現トラクターなどの農業機械の⾃動⾛⾏の実現により、規模限界を打破

2. 作物の能⼒を最⼤限に発揮センシング技術や過去のデータを活⽤したきめ細やかな栽培（精密農業）により、従来にない多収・⾼品質⽣産を実現

3. きつい作業、危険な作業からの解放収穫物の積み下ろしなど重労働をアシストスーツにより軽労化、負担の⼤きな畦畔などの除草作業を⾃動化

4. 誰もが取り組みやすい農業を実現農機の運転アシスト装置、栽培ノウハウのデータ化などにより、経験の少ない労働⼒でも対処可能な環境を実現

5. 消費者・実需者に安⼼と信頼を提供⽣産情報のクラウドシステムによる提供などにより、産地と消費者・実需者を直結

農業におけるAIの活⽤例１：スマート農業

これまでの悩み：ハウス内の環境維持に⼈⼿・労⼒・経験が必要ハウス内では1年を通じて栽培ができ、露地栽培に⽐べて天候や害⾍の影響も少ないというメリットがあります。他⽅でハウス内の環境（温度、湿度、CO2ガスなど）や⼟壌の⽔分量などの維持には、⽇射や暖房機、換気扇の管理など、多くの⼈⼿と労⼒、経験が必要です。また、露地栽培に⽐べて⼤⾯積化によるコスト低減が難いこともあり、スマート農業による省⼒化と⾼品質⽣産が期待されています。

農業におけるAIの活⽤例１：スマート農業これで解決：ハウス内の環境をIoT（センシング）で「⾒える化」

ハウス内の環境を⾃宅などの遠隔からでも管理・分析できるように、IoTの導⼊が進んでいます。具体的にはハウス内にセンサーを搭載した⼦機を設置し、次のような環境情報をセンシングしてデータ化します。温度や湿度⽇射量⼟壌内の温度や⽔分量CO2ガス（炭酸ガス）

⼦機が収集した環境データは親機に集約され、モバイル網（3Gなど）を使ってクラウドにデータをアップロードすることで、農業従事者はいつでも、どこからでもデータが⾒える状態になります。

このようなシステムによりハウス内の環境が「⾒える化」され、パソコンやスマートフォンなどで、遠隔でも簡単に確認できるようになりました。また、最近ではモニタリングしているデータに閾値を設け、たとえばハウス内の温度が⾼くなりすぎたときに異常を知らせるメールを送信したり、照明や加温器を遠隔で制御することも可能になっています。このようにIoTを活⽤することで、⼈⼿・労⼒の不⾜を補いながら、安定した収穫量の確保と⼤⾯積化への道筋が⾒えてきています。

農業におけるAIの活⽤例１：スマート農業ハウス内のIoT化には、920MHz帯マルチホップ無線がお勧め

ハウスなどの圃場（ほじょう）のセンサーネットワーク構築には、920MHz帯マルチホップ無線がお勧めです。パソコンなどで⽤いられるWi-Fi（2.4GHz帯、無線LAN）などでも構築は可能ですが、920MHz帯マルチホップ無線には次のようなメリットがあり、圃場でのセンサーネットワークの構築を容易にします。

・遠くまでつながる920MHz帯は⾒通しで1kmの通信が可能ですので、広い圃場でも⼗分です。免許が不要な他の特定⼩電⼒無線と⽐べると、2.4GHz帯（Wi-Fi）より電波到達性が⾼く、従来より計装⽤途の無線で利⽤されている429MHz帯より⾼速な通信が可能な、バランスの良い周波数帯です。

・マルチホップ通信で信頼性の⾼いネットワークを低コストで構築⼦機同⼠が⾃動的に最適な通信経路を選択し、親機にデータを送る仕組みを「マルチホップ通信」と⾔います。これにより無線状態が悪化しても⾃動で経路が切り替わり、通信の信頼性が向上します。こうして⼦機から送られてきた環境データを、ゲートウェイ機能を有する親機が集約してクラウドにアップロードすることで、ランニングコストを抑えることができます。無線のため配線が不要で、システム構築時のコストを最⼩限に抑えられます。

これらのメリットにより、920MHz帯マルチホップ無線なら圃場のセンサーネットワークを容易に構築できるのです。

農業におけるAIの活⽤例１：スマート農業農業×IoT、さらに⼀歩進んだAIの活⽤へ

IoT・センシングの導⼊による「スマート農場」の事例をご紹介しました。これにより、ハウス内の環境がIoTで「⾒える化」されることで、環境の変化を遠隔で確認し、⼈⼿・労⼒の不⾜を補いながら収穫量の安定化・⼤⾯積化への道筋が⾒えてきていることが分かりました。今後、就農者の世代交代が進み、インターネットやパソコン・スマートフォンが普及する環境で育ったデジタル世代の若者が農業の中核を担うようになると、農業でのIoT・ICT活⽤は当然のこととなり、さらに⼀歩進んでAI（⼈⼯知能）の活⽤も進んでいくのかもしれません。

圃場内の環境データと作物の成⻑・収穫量の情報を組み合わせてAIで分析したり、画像解析を⽤いた仕分け作業、病気の画像診断など、これまでは⻑年の経験知の蓄積「匠の技」でしか対応できなかったノウハウが、誰にでも短期間で継承できる時代が来るかもしれません。農業×IoTにより、農業が「格好良く・感動があり・稼げる」新3Kの仕事として、⽇本の成⻑を牽引する職業の⼀つになることでしょう。

農業におけるAIの活⽤例２：IoT農業

農業におけるAIの活⽤例２：IoT農業

農業におけるAIの活⽤例２：IoT農業事例①：シセイ・アグリ株式会社様

課題： 品⽬ごとといった細かな栽培コストの把握が難しく、⼤まかな⽬標原価を元に商談していた記録したデータを分析して栽培技術の向上に役⽴てることが困難

品⽬ごとの⽣産にかかったコストを⾒える化し、肥料や販売価格の⾒直しを⾏うことで、導⼊前と⽐較して肥料コストを約30%削減したほか、単位⾯積あたり約1.3倍の売上⾼を実現しました。https://www.youtube.com/watch?v=2QDVPqaigdM

農業におけるAIの活⽤例２：IoT農業様事例②：株式会社早和果樹園様

課題： 作業の標準化各作業にかかるコストの数値化ベテラン従業員のノウハウ継承農業経験のない新⼊社員の⼈材教育

肥料を撒く時期や量、収穫のタイミング、圃地ごとのコストなどが把握でき、そこから基準を満たすみかんを作る条件を⾒つけ出し、美味しいみかんの増産に成功しました。また従業員にもコスト意識、ビジネスの意識が浸透し、Akisaiで管理する各種データを会議や栽培活動の予算策定などに役⽴てています。

センサーについて

ü 基本的に必要なデータが取れていない事が多い。ü ⽣産技術、品質⼯学に基づいて、何のどこのデータが必要でどのセンサーなら取れるのか、

どの精度が必要なのかの把握が⼤事だが、⼤変ü 今までのセンサーは、総じてADC（アナログデジタルコンバーター）性能が低いü 新しい技術や製品をうまく使えると強いü Raspberry Pi、Arduinoなど、安くて性能が⾼い

製造業におけるAI活⽤エリア• 製造の各プロセスにおいて、AIによる事業改善の機会がある

⽣産計画 製造 検査 物流

需要予測：どの程度⽣産すべきか、予測

故障予測：⼯程データから製造機の故障を事前予測しメンテナンス製造法最適化：製造品の品質を最⼤化するため製造法を調整

異常検査：製造品の異常を⾃動⾼速検査

物流最適化：最適な物流⾏程を計算

製造

プロ

セス

AI活

⽤例

従来技術で実現できなかったことü 従来の技術では困難であった、i) 多様なパターンへの対応、

ii) 明⽂化しづらい職⼈技のAI化が可能に

職⼈技への対応。熟練職⼈の技は、本⼈も⾔葉で表現しづらい感覚の世界であることが多く、明⽂ルール化しづらい

多様なパターンへの対応。従来技術では、１つ１つのパターンに対するルールを⼈間がマニュアルで設定する必要あり。

今後の市場規模

ü 製造業だけで、２０３０年には、４０００億円近い市場規模に

AI導⼊の流れ

AIによる第４次産業革命で時代が変わっている真っ最中 いまやアベノミクス戦略の中枢

蒸気機関による自動化

電力による大量生産

情報通信革命

AI、IoTによる産業構造変化

<内閣府経済財政諮問会議資料*＞

* http://www5.cao.go.jp/keizai-shimon/kaigi/minutes/2017/0609/shiryo_07.pdf

なぜ今なのか？

AIシステムの概要ü ビッグデータ、AIモデル、AIモデルに紐づいたオペレーショ

ンシステムから成る

AIによる改善機会は多岐にわたるため、解決する個別課題の定義から丁寧に始めることが必要です

解決する課題の定義 データ整備 AIモデル作成 テスト運用 継続運用、保守プロセス

AIによる事業改善機会を個別に洗い出し：- 製品検査、製造機械メンテナンス、需要予測などAI、IoTにより事業を大きく変革できる余地のある課題を洗い出す

- 現時点で人手がかかっているプロセス、あるいは、時間コストの関係で実施できていないプロセスを丁寧に洗い出す

プロセス詳細

自動化に向けたデータ収集：- 自動化の核となるAIを学習させるため、各課題に合わせたデータを収集

- 大量のデータが必要であるため、計画的な収集計画が必要

- 撮影装置など、新たなハードウェアが必要となる場合もあり

AIモデルの学習：- 収集されたデータを元にAIモデルを作成

- 最終運用に意識した最適なAI技術を用いることが必要

AIシステムの試験運用：- 作成されたAIを用いて、実際の運用プロセスに入れ試験

- 他プロセスとの整合性も含めて、問題がないか検証

AIモデルの継続的向上：- AIモデルは、データを蓄積すればするほど精度が向上するので、実運用しつつ定期的にアップデート

- 試作段階よりも高い精度が期待できる

AIによる事業改善全体像

現場課題の深い共有、試作コストでの迅速なトライアル、現場の方々

の知見共有、継続的なメンテナンスが成功の鍵

AIが使えるかの可否判断プロセス

プロセス詳細

成功のためのキーポイント

現場課題の深い共有

試作コストでの迅速なトライアル

現場の方々の密な連携により、知見共有（“職人技のAI化”） 継続的なAIモデルメンテナンス

AIによる事業改善機会の洗い出し

自動化に向けたデータ収集

AIモデルの学習 AIシステムの試験運用

AIモデルの継続的向上

解決する課題の定義 データ整備 AIモデル作成 テスト運用 継続運用、保守

AI導入の成功の鍵

落とし⽳

課題

定義

良くある落とし⽳

デー

タ整

備AIモ

デル

運⽤

ü AI利⽤が⼿段ではなく⽬的化 ü どのように品質改善、コスト減、納期短縮に繋がるか明確化

ü 異常データの数・種類が少ないü データ収集計画を⼊念に作成。

事前に異常パターンをためる期間を⼗分にとる。

ü 複雑すぎて、オペレーション時間が⻑くなる

ü 必要以上の精度は求めず、モデルを単純化

ü 運⽤後、モデルのアップデートをせず、精度が落ちてくる

ü 定期的にモデルを追加学習させ、アップデート

対策

まとめ

ü 現在、AIによる第四次産業⾰命の真っ只中であり、製造業も例外ではない。数年後には、競争優位ではなく、むしろ対応していないと競争に取り残される可能性も。

ü 需要予測、故障予測、異常⾃動検知など、⽣産計画、製造、検査、物流において⼈間が担っていた作業が低コスト、⾼品質、⾼速に代替できる可能性を秘めている。

ü 導⼊は課題定義、データ整備、AIモデル作成、テスト運⽤を丁寧に⾏っていく必要がある

技術的な話

ü 教師ありなし、強化学習ü 各種モデル（DNN、RNN、CNN）

ü 転移学習

本⽇お伝えさせていただきたいことまとめ

ü AIにより新たな産業革命が起こっています。

ü 国内製造業の競争力向上にためには、この変化に今対応していくことが必須です。

ü AIによる事業改善は、個別の企業、ケースにより多岐にわたるため、１）AI事業者と製造業現場の密な連携による課題定義、２）迅速な試験運用での検証が成功の鍵です。

最後に

日本をもう一度世界の工場へ

フリートーク

Q&A