学習サンプル画像セット
ViDi ツールは、ネットワークデータを取り入れ、マシンに達成すべき内容を学習データから演繹させることで、ニューラルネットワークを学習させるディープラーニングに基づいています。そのため、ネットワークに取り入れるデータが非常に重要となります。「ネットワークに何を学習させているか?」と自問することが最も優先されます。
ネットワークに何を学習させるかは、学習画像サンプルセットに基づきます。学習画像サンプルセットは、ネットワークにフィードするデータを表します。ViDi ツールの場合、画像は、ツールの学習に使用されるデータセットのバックボーンを構成します。ディープラーニングでは、大量のデータセットがシステムに読み込まれ、システムはデータから達成しようとしている内容を演繹します。そのため、データ (このコンテキストでは画像) が非常に重要となります。
ディープラーニングのレルム内では、学習画像セットはネットワークに渡されるデータを表します。学習画像セットを作成する場合は次の点を検討してください。
-
自分の学習画像セットはランタイム画像の表現であるか?これには、以下が含まれます。
- 照明 – 照明にバリエーションがある場合、学習セットに、ランタイムに予測される照明のバリエーションを含める必要があります。
- 色 – ランタイム時に部品は色が変化するか?変化がある場合、さまざまな色のバリエーションのすべてを含める必要があります。
- 回転/スケール – 部品がカメラに表されたときに、回転されたり、スケールが変わって表されるか?その場合、それらバリエーションを含める必要があります。
- 部品間のバリエーション – 検査される部品にわずかなバリエーションがある可能性がある場合、それらバリエーションを学習セットに含める必要があります。
- 背景 – 多くの場合、部品の画像はデスク上でキャプチャされる可能性があります。しかし、部品は最終的にコンベアベルト上で動作されるため、ViDi ツールでは背景が重要な要素となります。このような場合、コンベアベルト上で部品の学習セットを取得する必要があります。検査で背景が重要ではない場合、背景をマスクすることができます。膨大な情報に関してネットワークに学習させることがないため、背景をマスクすると、一般的にツールのパフォーマンスが向上します。
- 自分の学習画像セットは十分なデータを提供しているか?ViDi ツールのプログラミング中に発生する多くの問題は、より多くの画像やデータを提供し、ツールを再学習させることで解決することができます。
ヒント : 「良好」、「不良」などファイル名にわかりやすい情報を提供するなど画像に注釈を付けると、画像のラベル付けのプロセスを高速化できます。
画像を分類して収集したら、画像サンプルセットを作成して、学習セットでこれらを使用することができます。