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。

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。