技術アカデミー
finetheAi ソリューションに使われている 2D・3D ビジョン、AI モデル、Physical AI の中核技術を順を追って解説します。お客様向け教育や社内研修の資料としてそのまま使えます。
2D・3D ビジョン
良い画像を撮り、揃え、測る技術。AI の前に検査品質を決める段階です。
- 01
まず良い画像から — カメラ・照明・トリガーと前処理
AIモデルは、画像に写っているものしか見ることができません。欠陥が画像に鮮明に残るようにカメラ、照明、撮影タイミングを決め、モデルに入力する前に明るさや背景を整える方法を説明します。
- 02
位置合わせ(アライメント) — 部品を同じ姿勢に揃える技術
部品が毎回異なる角度で置かれると、モデルは欠陥よりも先に回転を学習してしまいます。円形部品の Ring 位置合わせ、任意形状の PCA 位置合わせ、位置合わせ後に判定する yolo_align まで、位置合わせの原理と使いどころを整理します。
- 03
ルールベースの寸法計測 — ピクセルをミリメートルに変える方法
公差が数値で決まっている検査には、AIよりも計測が適しています。キャリブレーション、輪郭抽出、円フィッティングで直径・厚さ・真円度を測り、AI判定と併用する構成を説明します。
- 04
フォトメトリックステレオ — 2Dカメラで表面の凹凸を見る方法
照明の方向を変えながら複数枚を撮影すると、ピクセルごとに表面がどちらを向いているかを計算できます。目視や通常の画像では見えない浅い打痕を、曲率マップで浮かび上がらせる原理を説明します。
- 05
3Dビジョンと点群 — 高さと姿勢が必要になる場面
ロボットが物体をピッキングしたり、溶接ビードの高さを測ったりするには、2D画像だけでは不十分です。3Dカメラが生成する点群を整え、分割し、位置合わせする処理の流れを説明します。
AI モデル
良品だけで学ぶ異常検知、名前と位置を見つける物体検出、そして現場で信頼して評価・運用する方法。
- 01
正常だけを見て異常を見つける — 異常検知と PatchCore
不良サンプルは集めにくく、明日にはまだ見たことのない不良が出てきます。正常画像だけで学習し「正常と異なる箇所」を見つける異常検知の原理を、最も広く使われている PatchCore を例に説明します。
- 02
異常検知アルゴリズムの選び方 — 11種をどの場面で使うか
PaDiM、PatchCore、AnomalyDINO、WinCLIP、EfficientAD など、AD Workbench の11のアルゴリズムは成果物が同じでも得意分野が異なります。データ量、部品が固定されているか、解像度、タクトタイムに応じた選定基準を整理します。
- 03
物体検出 — 欠陥に名前と位置を付ける YOLO・RT-DETR
すでに把握している欠陥タイプについて、「何が、どこに、どれだけ確からしくあるか」を答える物体検出を説明します。ボックス・クラス・信頼度、IoU と NMS、クラス別の閾値、異常検知との併用方法まで扱います。
- 04
モデル評価と現場運用 — 過検出・見逃し、閾値、再学習
正解率99%という数字だけでは、モデルをラインに投入できません。過検出と見逃しを分けて数え、コストに合わせて閾値を決め、運用中の変化を監視して再学習する流れを説明します。
Physical AI
見て判断した結果でロボットが動きます。座標キャリブレーション、デジタルツイン、収穫・ピッキング自動化まで。
- 01
Physical AI — 見て、判断し、動く AI
検査結果を画面に表示するだけで終わらず、その結果をもとにロボットが物体を掴み、運び、整える段階が Physical AI です。構成要素と動作のループを、シイタケ収穫の自動化事例で説明します。
- 02
ハンドアイキャリブレーション — カメラが見た場所へロボットを向かわせる方法
カメラは自分の座標で「ここにある」と伝え、ロボットは自分の座標でしか動けません。両者の間の変換を求めるハンドアイキャリブレーションの考え方と手順、精度を高めるコツを説明します。
- 03
デジタルツインと Pick & Place — 実機の前に仮想空間で検証する
ロボットセルを仮想空間にそのまま再現しておけば、経路・干渉・サイクルタイムを、実際に動かす前に確認できます。3D認識から把持計画、実機ミラーリングまで、Pick & Place の全工程をたどります。