AI画像解析とは?従来の画像処理との違いと導入時の注意点

AI画像解析と従来の画像処理

AI画像解析と従来の画像処理は、判断基準の作り方が違います。従来処理は明るさや形などの条件を人が組み立て、AIは学習したモデルでカテゴリや位置を予測します。課題によっては両者を組み合わせます。

AI画像解析は、学習したモデルを使って画像のカテゴリや対象の位置などを予測する方法の一つです。 ただし、画像の解析にAIが必須というわけではありません。この記事では、従来の処理との違いを知り、課題に合う方法を検討するためのポイントを整理します。

 

違いは、判断の基準をどう作るか

従来の画像処理は条件を明示して組み立てる

例えば、画素の明るさをしきい値と比較して領域を分ける方法があります。OpenCVの公式資料では、固定のしきい値だけでなく、周辺領域に応じて基準を変える方法も紹介されています。

「明るい背景から暗い対象を分ける」のように、使える特徴と条件が明確なら、まずその条件を直接処理にできるか検討できます。従来処理を「単純だから使えない」と扱う必要はありません。

 

AIは学習したモデルを使って予測する

画像分類モデルでは、入力画像からカテゴリの予測を受け取ります。学習済みのモデルを利用する方法や、目的に合わせて調整する方法があります。

ここで大切なのは、AIの出力も業務上の確認対象だということです。カテゴリ名が出ることと、現場で必要な判定ができることは同じではありません。対象画像と判断基準を共有して評価します。

 

分類・検出・領域分割を使い分ける

分類は「どの種類か」を予測する

画像全体を種類別に整理したい場合の出力です。 想定例として、部品画像をあらかじめ決めた種類に振り分ける作業があります。

ただし、一枚に複数種類が写るときに何を出力させるかは別途設計します。「画像分類」という言葉だけで、複数部品の位置まで取れるとは考えないようにしましょう。

 

検出は「何が、どこにあるか」を扱う

物体検出の代表的な出力は、対象の枠とクラスです。 想定例では、画像に写る部品に枠を重ねて示します。

検出枠の位置がほしいのか、個数がほしいのかでも、結果の評価方法は変わります。枠が少しずれた場合に業務へ影響するかまで考えておきましょう。

 

領域分割は対象の範囲を扱う

物体に対応するマスクを出す方法があり、枠だけでは足りない範囲の表現に使います。

例えば、形に沿って対象を取り出したい場面が考えられます。どの出力が細かいかだけで選ばず、最終的な判断にその細かさが必要かを確認することが重要です。

 

学習データの前に判定基準を整理する

人が判断できる基準を言葉にする

学習の準備として、「正常」「異常」「対象外」の扱いを整理することを勧めます。傷と汚れを分けたいのか、いずれも再確認へ回せばよいのかで、必要なラベルは変わります。

担当者によって判断が違う画像は、単に枚数へ加える前に、どの基準を正解とするか検討しましょう。これはデータ準備の提案であり、特定の学習枚数を示すものではありません。

 

調整用と確認用を区別する

モデルを調整した画像だけを見て、現場でも同じ結果になると決めないことが大切です。PyTorchの公式教材も、学習と検証の段階を区別しています。

実務では、撮影日や対象個体、現場条件の偏りを記録して、どの範囲を確認したかが分かる状態にします。似た画像が多いだけの評価と、異なる条件での評価を混同しないようにしましょう。

 

AIと従来処理を組み合わせる

ファントムの画像解析AIでは、AIと画像差分・輪郭抽出などを組み合わせる方針を公開しています。

想定例として、撮影範囲を絞る処理を行ってから分類モデルへ渡し、その結果を業務上の条件と合わせて扱う構成が考えられます。AIへ入力する前後にも、目的に合う処理を置く余地があります。

ただし、処理を増やせばよいわけではありません。どの段階で結果が変わったかを確認できるようにし、入力条件や処理設定も記録しましょう。モデルの種類だけを比較して、撮影や前処理の違いを見落とさないことが大切です。

 

部品の取り付け確認で、三つの構成を比べる

以下は仮想の検討例です。固定位置に部品があるかを確認するため、取り付け済み・欠品・位置ずれの画像を用意します。まず確認範囲を切り出し、明るさや輪郭を使う処理で区別できるか確かめます。

見え方のばらつきが大きい場合は、同じ入力に対してAIの分類や検出も比較します。分類なら画像ごとの判定、検出なら対象の枠を出し、「欠品候補を担当者へ渡す」という業務に必要な出力を選びます。

検証では良品を欠品候補にした件数と、欠品を見逃した件数を分けます。撮影日や対象個体が重ならない確認用画像を確保し、苦手な条件が照明に由来するなら撮影を見直します。モデルを変えた効果と撮影変更の効果を混ぜないようにします。

方法の比較には、ファントムの画像解析AIの対応範囲を参照できます。相談時は判定が割れる画像も添えて、ルールで表せる条件と学習で扱いたい変動を伝えてください。

画像解析AIの対応範囲:https://fantom.co.jp/product/image-analysis/

 

比較表:判断基準と検証の違い

比較軸ルールベース学習したAI
判断基準明るさ・形などの条件データから学んだモデル
準備条件と対象画像目的に合うデータ・出力定義
変動への対応処理条件を見直すデータ・モデルと撮影を見直す
共通の評価見逃し・不要候補を確認見逃し・不要候補を確認

 

誤判定は二つの方向から確認する

「対象ではないものを拾うこと」と「対象を見逃すこと」を分けて確認することを勧めます。何を優先するかは、業務での結果の使い方に関わります。

例えば、候補を人へ提示する用途と、自動で製品を除外する用途では、誤りが起きた際の対応が違います。総合的な正解率だけでなく、難しい条件の画像を別に見て、再確認に回す条件も整理しましょう。

また、モデルが返すスコアを、そのまま「業務上の正解確率」と読み替えないようにします。採用するモデルの仕様と、現場での検証結果をもとに、しきい値や運用を決める必要があります。

 

方法を決める前に、入力と出力を共有する

相談時には、実際の画像、知りたいこと、判定の例、受け取りたい出力をまとめます。「AIを使いたい」だけよりも、「この部品が所定の位置にあるかを画像で確認したい」と伝える方が、方法を検討しやすくなります。

従来処理で条件を表現できるか、学習したモデルを使う必要があるか、組み合わせるかを、同じ対象画像で確かめましょう。AIの採用自体ではなく、目的に合う出力と確認できた条件が選定の軸です。

画像解析AIの対応範囲:https://fantom.co.jp/product/image-analysis/

AI開発・事業内容:https://fantom.co.jp/business/

本件についてのお問い合わせ