異常検知の現場課題と新しい解決策
製造現場で異常を検知する仕組みの導入は、常に課題を抱えています。特に、新しい生産ラインでは、正常な製品の画像（良品見本）がほとんどありません。このような状況で、機械学習の専門家が工場に常駐していることは稀です。そのため、異常検知の仕組みを導入したくても、学習用の情報不足が大きな壁となっていました。
今回、この課題を解決する画期的な枠組みが発表されました。これは、学習が不要な「人間が関与する仕組み」です。具体的には、「PatchCore」という異常検知の方式を基盤としています。この方式では、専門家が直接、検知器の「記憶の貯蔵庫」を編集します。再学習や、複雑な計算、元の学習情報も一切不要です。これにより、導入のハードルが大幅に下がります。
人手による修正の仕組みと効果
この仕組みの核となるのは、誤検知の修正です。例えば、正常な製品が誤って「異常」と判定されてしまった場合、専門家がその画像を「正常」と確認します。その正常な部分画像は、自己調整機能を持つ「新規性判断の門」を通って記憶の貯蔵庫に追加されます。この門は、正常な近傍との距離の中央値を超える部分画像だけを受け入れるため、不要な情報を排除し、記憶域の質を保ちます。
この人手による修正の効果は絶大です。わずか10個の良品見本で構築した記憶域に、作業者による修正を加えた場合、その性能は飛躍的に向上しました。修正前の、数百の良品見本で十分に学習させた記憶域との性能差を、中間値で66%も埋めることに成功しました。平均では80%の改善です。これは、MVTec ADという標準的な評価基準の15分類中12分類で、顕著な性能向上が確認されました。しかも、どの分類においても性能が低下することはありませんでした。この結果は、少ない見本と人間の知見を組み合わせることで、大量の見本を使った学習を上回る成果を出せることを示しています。
既存システムへの適用と評価方法
この仕組みは、既に学習済みの異常検知システムにも適用できます。その場合、改善の余地は小さくなりますが、効果は確認されました。特に、記憶域が正常な見た目を十分に捉えられていない品目、例えば歯ブラシ、金属製のナット、ファスナー、ネジなどで、精度がさらに向上しています。グリッドという品目を除けば、他の分類で性能が大きく損なわれることはありませんでした。
評価は、厳密な方法で行われています。修正された画像が記憶の貯蔵庫に追加されると、検知器はその画像を「記憶」してしまいます。そのため、単純な評価では、結果が過度に良く見えてしまう可能性があります。これを避けるため、独立した検証方法が用いられました。これにより、真に性能が向上したのかを客観的に判断できます。受動的な問い合わせと能動的な問い合わせの間には、統計的な差がないことも示されました。また、同等のラベル付与予算で比較した場合、導入時のラベル生成が、網羅的なレビューの43%のコストで同等の効果をもたらすことが分かりました。この新しい仕組みは、現場での異常検知導入と運用を大きく変える可能性を秘めています。
PR
文賢 →
学習不要で異常検知の精度を上げる仕組みは、現場の課題を直視した結果です。少ない見本で最速で導入し、人間がぐるぐる回して精度を上げていく。これが正解です。私の経験上、ここが一番重要だと断言します。
