画像解析とは?仕組み・できること・活用例を初心者向けに解説

画像解析とは?仕組み・できること・活用例

写真に写った物を数えたい。製品の形の違いを調べたい。こうした課題を考えるとき、候補になるのが画像解析です。

画像解析では、画像に含まれる対象や特徴を取り出し、目的に応じて種類、位置、形状などの情報として整理します。対象物を探す処理と、画像の種類を判定する処理では、必要な方法も結果の読み方も異なります。

この記事では、静止画を対象に、画像解析の基本用語と処理の流れを解説します。具体的なモデルの選び方や動画の追跡方法に踏み込む前に、「画像から何を知りたいのか」を整理しましょう。

 

画像解析とは、画像から目的に合う情報を取り出すこと

画像解析を理解するには、入力する画像と、欲しい出力を分けて考えると分かりやすくなります。入力は商品や部品などを撮影した画像、出力は種類のラベル、対象物を囲む枠、輪郭、面積といった情報です。

例えば、部品が写った写真を解析するとしても、「どの種類の部品か」「写真のどこにあるか」「輪郭の形はどうか」では問いが違います。まず知りたいことを言葉にし、それに合う処理を考えるのが出発点です。

なお、本記事の業務例は、個別に「公開事例」と記すものを除き、処理の違いを説明するための仮想例です。ファントムの導入実績や対応保証を示すものではありません。

 

画像解析でできる主な処理

分類:画像がどの種類に当たるかを判定する

分類は、画像をあらかじめ用意されたカテゴリに振り分ける処理です。画像分類モデルの例では、入力画像に対してカテゴリの予測が出力されます。

仮想例として、部品画像を種類別に整理する作業が挙げられます。「何が写っているか」を画像単位で整理したい場合の考え方です。欲しい出力が部品の位置であれば、分類だけでは足りません。

 

検出:対象物の種類と位置を調べる

物体検出では、画像内の対象物について、種類と位置を扱います。代表的な出力は、対象を囲む矩形の枠とラベルです。

仮想例では、棚の写真から指定した商品を探し、枠を重ねて示す使い方が考えられます。枠は対象の輪郭そのものではないので、対象の細かな形まで欲しいかどうかを分けて考える必要があります。

 

領域分割:対象の形に沿って範囲を取り出す

領域分割は、画像のどの範囲が対象に当たるかを画素の単位で扱う処理です。物体ごとのマスクを出す方法もあります。

仮想例として、部品と背景を分け、部品が占める範囲を取り出す場面が挙げられます。対象を四角い枠で囲めばよいのか、形に沿った範囲が必要なのかによって、求める出力が変わります。

 

輪郭や面積などを数値にする

輪郭を取り出した後、その形の面積や周囲の長さなどを求める処理もあります。

ただし、画像上の値を、そのまま実物の寸法として扱うのは避けましょう。実寸を扱うには基準となる大きさや撮影条件を整理する必要があり、カメラのゆがみも検討対象です。OpenCVのカメラ校正資料でも、画像座標と実空間の対応、既知の寸法、レンズのゆがみを扱っています。

「画像上の面積を比べたい」のか、「実物の寸法を測りたい」のかを、相談時に区別すると要件を伝えやすくなります。

 

画像解析の基本的な流れ

目的と出力を決める

まず、「対象の種類を知りたい」「有無を確認したい」「形を取り出したい」など、目的を具体化します。結果を画像に枠で重ねるのか、数値として受け取るのかも決めておきましょう。

例えば「検査を自動化したい」だけでは、何をもって正しいとするかが曖昧です。「指定した部品が所定の場所にあるかを確認したい」のように、判断対象を狭めると検討しやすくなります。

 

画像と撮影条件を確認する

次に、実際に使う画像を確認します。明るさが異なると同じしきい値では対象と背景を分けにくい場合があり、照明の違いに応じた方法が必要です。

そのため、説明用に選んだ画像だけでなく、明るさや置き方が異なる画像も準備することを勧めます。これは検証の進め方の提案であり、必要枚数や達成精度を一律に示すものではありません。

 

前処理と解析を行う

必要に応じて画像の表現を整え、対象を取り出す処理やモデルによる予測を行います。例えば、明るさのしきい値で画像を分けてから輪郭を探す流れがあります。学習済み画像分類モデルにも、それぞれに対応する入力変換があります。

どの画像にも同じ処理順が当てはまるわけではありません。欲しい出力と画像の条件に合わせて組み立てます。

 

結果を確認し、業務での扱いを決める

結果が目的に合っているか、代表的な画像と判断が難しい画像を分けて確認しましょう。「対象ではないものを拾う場合」と「対象を拾えない場合」の両方を確認することを勧めます。

人が再確認する条件や、判定が難しい画像の扱いも決めておくと、結果の使い方を整理できます。ここで示す確認項目は運用設計上の提案であり、自動化や業務改善の効果を保証するものではありません。

 

画像解析にAIは必須なのか

画像解析には、明るさのしきい値や輪郭を利用する処理もあります。AIを使う場合には、学習済みの画像分類モデルを利用したり、検出モデルを目的に合わせて追加学習したりする方法があります。

ファントムの画像解析AIの製品ページでも、AIと画像差分・輪郭抽出などの画像処理を組み合わせる方針が説明されています。

最初からAIの使用を前提にするよりも、知りたいこと、撮影できる画像、必要な出力を整理して相談すると、方法を検討しやすくなります。AIと従来処理の詳しい比較やモデル選定は、この記事の範囲には含めません。

 

業務での活用を考える具体例

仮想例:部品画像を種類ごとに整理する

部品の種類が混在する画像資料を整理したい場合、「画像をカテゴリに分ける」という課題として考えられます。分類対象の種類と、判断に迷う画像の扱いを先に決めることを勧めます。

 

仮想例:対象の有無や形を確認する

指定の部品が写っているかを確認したい場合と、部品の輪郭を調べたい場合では、求める結果が違います。検出枠で足りるか、対象の形に沿った範囲まで必要かを整理しましょう。

仮想例の実現可否は、対象画像を使った確認が必要です。

 

公開事例:食品画像・動画に写った異物の位置関係を検証する

ファントムは、食品メーカーの商品画像・動画に写った異物と、容器・包装フィルムとの位置関係を検証した事例を公開しています。反射や影などの特徴とパッケージ構造を踏まえ、調査結果を報告書に整理した案件です。

これは個別の位置関係の検証事例です。製造ラインでの異物検出率や、あらゆる画像での判定能力を示す実績としては扱いません。

 

画像解析を相談する前に整理したいこと

相談時は、次の項目をまとめておくと課題を伝えやすくなります。

・何を知りたいか:種類、位置、有無、形など

・何を解析するか:対象物と実際に使う画像の例

・どのように撮影するか:照明、背景、撮影位置、対象の置き方

・何を受け取りたいか:枠付き画像、ラベル、輪郭、数値など

・結果をどう使うか:人が確認する資料か、システムへの入力か

・何を確認すべきか:判断が難しい画像と、確認を優先したい失敗例

これらは要件整理のための提案です。必要な画像枚数、費用、期間、精度は本記事では提示していません。

 

画像・映像解析の導入について相談する

画像解析を検討するときは、「AIで何かできないか」から一歩進めて、「この画像から、この情報を取り出したい」と整理してみてください。

ファントムでは画像・映像解析を含むAI開発について案内しています。事業内容を確認し、手元の画像と解決したい課題をもとにご相談ください。

事業内容:https://fantom.co.jp/business/

本件についてのお問い合わせ