ディープラーニングによる画像認識とは?仕組み・活用例・導入の注意点を解説

画像認識AI
画像認識AI

画像を使った確認作業をAIで補助したいと考えても、「画像から何を判定できるのか」「どんな画像を用意すればよいのか」がわからず、導入を判断しにくいと感じる方も多いでしょう。製品の外観検査や荷物のラベル確認など、目視に頼る業務では、確認にかかる時間や見落としも気になるポイントです。

そこで、画像に写る対象を判定する方法の一つに、ディープラーニングによる画像認識があります。

本記事では、ディープラーニングによる画像認識の仕組みや実行できる処理、活用例を解説します。

ディープラーニングによる画像認識とは?

ディープラーニング(深層学習)による画像認識とは、画像を見分ける手掛かりをデータから学び、その学習結果を使って新しい画像を判定する方法です。2つの言葉の役割を分けると、次のとおりです。

  • 画像認識:画像に何が写っているか、対象がどこにあるか、どの範囲にあるかを目的に応じて判定する技術
  • ディープラーニング:画像の情報を何層もの計算に通す「ニューラルネットワーク」を使い、判定に役立つ特徴をデータから学ぶ機械学習の一種

例えば製品画像から傷の有無を調べる場合、画像認識がおこなうのは傷の有無の判定です。その判定に使う手掛かりを画像から学ぶ方法として、ディープラーニングを利用できます。

画像処理と従来の機械学習との違い

「画像処理」は、明るさの調整やノイズの除去など、画像そのものを整える技術です。写っている対象を判定する画像認識とは役割が異なりますが、認識用の画像を整える際に組み合わせて使われます。

従来の機械学習では、形や色などを数値化した「特徴量」を人が設計し、判定に使う方法がありました。ディープラーニングでは、判定に役立つ特徴量を画像データからモデルが学習します。ただし、目的に合う画像や正解情報は準備する必要があります。

ディープラーニングによる画像認識の仕組み

ディープラーニングでは、多層のニューラルネットワークが画像から判定に役立つ特徴を学びます。モデルに学ばせる方法には、次のようなものがあります。

  • 教師あり学習:画像と「猫」「犬」などの正解ラベルを組にして学ぶ方法
  • 教師なし学習:正解ラベルを使わず、画像の共通点や違いを学ぶ方法

ここでは「教師あり学習」による画像分類を例に、モデルが特徴を学ぶ段階と、学習済みモデルで新しい画像を判定する段階を解説します。その両方で画像の特徴を捉える「CNN」の働きも整理しましょう。

画像と正解を照らし合わせて特徴を学習する

ディープラーニングのモデルを教師あり学習で学ばせる例として、猫と犬の画像分類を考えます。それぞれの画像に「猫」「犬」という正解を付けて用意します。この正解情報が「ラベル」です。

モデルが出した予測とラベルを比べ、ずれが小さくなるよう、モデル内の計算に使う値を調整します。この処理を繰り返すことで、画像を見分ける手掛かりを学習します。

業務で使う場合も、まず何を判定したいかを決め、その状態が写った画像と正解情報を用意します。例えば荷物の状態を判定するなら、正常な荷物に加え、破損やラベルの貼り忘れが確認できる荷物の画像を集めます。

CNNで画像の特徴を段階的に捉える

ディープラーニングによる画像認識で使われる代表的なアルゴリズムの一つが、CNN(畳み込みニューラルネットワーク)です。画像の小さな範囲にフィルターを当てる「畳み込み」で輪郭や模様を捉え、処理を重ねながら複雑な形やパターンを見分けます。

CNNでは、畳み込みで得た特徴を近くの範囲ごとにまとめる「プーリング」を使う場合もあります。特徴を表すデータを小さくし、後の計算で扱う情報量を減らすための処理です。

学習済みCNNで画像を分類する流れは、次のとおりです。

  1. 入力画像
  2. 輪郭や模様などの特徴を捉える
  3. 特徴を組み合わせる
  4. 「猫」「犬」などの分類結果を出す

画像認識はCNN以外に、画像を小さな領域に分け、領域同士の関係を扱うViT(Vision Transformer)もあります。

学習済みモデルで新しい画像を判定する

学習済みのディープラーニングモデルに新しい画像を入力し、結果を得る処理が「推論」です。入力前に画像の大きさや明るさを整える場合もありますが、必要な前処理はモデルによって異なります。

推論では、学習時に得た特徴を使って「猫」「犬」などの結果を出します。正解と照らし合わせてモデルを調整する学習とは、別の工程です。

導入前には、学習に使っていない画像でも期待する判定が得られるかを確かめます。実際の撮影条件に近い画像で確認することが重要です。

ディープラーニングによる画像認識でできる3つの処理

ディープラーニングによる画像認識では、画像から何を知りたいかに応じて、画像分類・物体検出・領域分割を使い分けます。それぞれで得られる結果は、次のとおりです。

処理の種類 何を判定するか 結果の例
画像分類 画像全体がどのカテゴリに当たるか 「猫」または「犬」という分類結果
物体検出 画像内の対象の種類と位置 人物を囲む四角い枠と「人」の表示
領域分割(セグメンテーション) 各画素に何が写っているか 道路と空の範囲を塗り分けた画像

画像全体を分けたいなら画像分類、対象の位置を知りたいなら物体検出、形や範囲まで捉えたいなら領域分割が候補です。性能の優劣ではなく、業務に必要な情報で選びましょう。

ディープラーニングによる画像認識の活用例

ディープラーニングによる画像認識の用途は、入力する画像と必要な出力で考えると整理しやすくなります。

ここでは、製造業の検査、顔認証、自動運転での使い方を紹介します。

製造業での検品・外観検査

製造業では、ディープラーニングによる画像認識を製品や部品の外観検査に活用できます。撮影画像から傷・汚れ・規格外の形状などを捉え、検査担当者の判断を支援する用途です。

なお、製品全体の良否を分ける場合と、傷の位置を示す場合では、必要な認識結果が異なります。

何を不良とするかは現場の基準で決め、その基準に沿った画像と正解情報を用意します。モデルが画像の特徴を学ぶことと、検査基準を決めることは別です。

検出結果を報告書作成などの後工程にも活用したい場合は、画像認識と生成AIを組み合わせる方法も有効です。詳しくはこちらの記事をご覧ください。

画像認識と生成AIの違いとは?組み合わせで実現する業務効率化と活用例3選
外観検査などで画像認識を導入したものの、「検出はできるが、その後の原因整理や報告が人力になっている」「せっかく画像認識を使っても、思ったほど工数が減らない」と感じていませんか。画像認識AIと生成AIは別の技術ですが、組み合わせることで検出結...

顔認証による本人確認

顔認証にも、ディープラーニングによる画像認識を活用できます。撮影画像から顔の位置を見つけ、登録済みの顔と照合して本人かどうかを確かめる流れです。顔の場所を探す処理が「顔検出」、照合して本人を確かめる処理が「顔認証」に当たります。

顔認証による本人確認は、スマートフォンのロック解除やオフィスの入退室管理などで利用されます。なお、顔画像は個人に関わる情報のため、利用目的に沿って扱い、目的外で使わないための配慮が必要です。

自動運転における車両周辺の認識

自動運転では、ディープラーニングによる画像認識を使い、車載カメラの画像から歩行者や車両の位置、道路の範囲などを捉えます。物体検出と領域分割を、車両周辺の状況を把握するために利用する例です。

認識結果は、走行経路などを判断するための材料です。運転に必要な判断や操作には、画像認識以外の処理も関わります。

ただし、製造現場の検査とは撮影状況が異なるため、用途に合った画像と必要な認識結果を考えることが重要です。

ディープラーニングによる画像認識の導入前に確認したい注意点

ディープラーニングによる画像認識の結果は、モデルの方式だけでは決まりません。導入前には、学習用画像の内容と、運用時の撮影環境を分けて確認します。

学習データの量だけでなく、品質と偏りを確認する

ディープラーニングによる画像認識の学習データは、画像の枚数だけでは評価できません。現場で起こる不備や撮影条件が含まれているか、正解情報に誤りや偏りがないかを確認します。

画像に正解を付ける「アノテーション」では、画像分類なら種類、物体検出なら対象を囲む枠、領域分割なら画素単位の領域を指定します。担当者によって正解がぶれないよう、判定基準をそろえることも必要です。

学習画像に合いすぎ、新しい画像をうまく判定できない状態が「過学習」です。既存画像を反転・回転させる「データ拡張」は、過学習への対策の一例です。また、学習済みモデルを別の目的に応用する「転移学習」も選択肢になります。ただし、いずれも新しい画像で判定結果を確かめる必要があります。

撮影環境と求める処理性能を確認する

ディープラーニングのモデルに入力する画像は、カメラの設置場所や光の当たり方で見え方が変わります。逆光・反射・遮蔽物によって傷やラベルが見えにくくならないか、実際の設置場所で確認することが大切です。

広く撮りすぎると対象が小さくなり、近づきすぎると一部が見切れます。そのため、判定に必要な特徴が写る画角を選ぶ必要があります。

また、解像度を上げたり、短い間隔で判定したりすると、処理負荷が増える場合があります。高解像度を前提にせず、必要な判定結果と処理速度を両立できるかを確認しましょう。

まとめ|ディープラーニングによる画像認識は仕組みと利用条件を押さえよう

  • ディープラーニングによる画像認識は、画像から特徴を学習し、学習済みモデルで新しい画像を判定する
  • 画像分類・物体検出・領域分割は、画像から得られる結果がそれぞれ異なる
  • 導入前には、学習データの品質や正解情報、現場の撮影条件と処理速度の確認が欠かせない

ディープラーニングによる画像認識は、外観検査や顔認証、車両周辺の把握などに活用できます。ただし、用途によって必要な結果は異なるため、学習に使っていない現場の画像で判定結果と処理速度を確かめることが欠かせません。

まずは自社で扱う画像を一つ選び、「その画像から何を判定したいか」を書き出してみましょう。

あなたにおすすめの記事

  1. 画像認識AIの仕組みとは?学習・判定の流れと活用例を解説

    「製品を一つずつ目で確認する作業を減らしたい」「製品の見た目にばらつきがあり、今の検査装置では対応しにくい」と悩む方も多いのではないでしょうか。製品の見た目や撮影条件にばらつきがあると、既存の検査方法だけでは対応が難しい … 続きを読む

    • 画像認識AI
  2. AIカメラの人検知とは?6つのできることや事例、導入のポイントを解説

    商業施設や作業現場に設置した監視カメラや防犯カメラは、防犯やトラブル発生後の確認に役立つ一方、映像を見続けなければ、館内の混雑や立入禁止エリアへの侵入に気付きにくいことがあります。そこで選択肢になるのが、映像から人物や人 … 続きを読む

    • 画像認識AI
  3. LLMの画像認識とは?従来AIとの違いやメリット、導入手順を解説

    荷物や棚の写真、入出荷時の帳票を確認したり、設備の点検画像から報告書を作成したりする作業には、担当者による目視確認や入力作業の工数がかかります。 そこで、近年は画像を扱えるLLM(大規模言語モデル)を活用し、写真の説明、 … 続きを読む

    • 画像認識AI
  4. 画像認識のやり方とは?AI導入の5ステップや現場での活用事例を解説

    工場の外観検査や部品確認、帳票の転記など、目視確認に時間がかかる業務は少なくありません。確認する対象や件数が多いほど、作業者の負担が大きくなり、判断に時間がかかることがあります。 こうした業務では、画像認識AIを活用する … 続きを読む

    • 画像認識AI
  5. 画像認識技術を用いたOCRとは?4つの導入メリットや活用シーンを解説

    OCRの導入を検討しているものの、「従来型OCRとAI-OCRは何が違うのか」「自社業務で本当に効果が出るのか」と悩んでいる方も多いのではないでしょうか。 OCR(Optical Character Recognitio … 続きを読む

    • 画像認識AI
  6. 画像認識×ロボットの組み合わせで何ができる?導入メリットや活用事例も解説

    「ロボットを導入したものの、停止トラブルが多い」「安全確認の目視工数が減らず、期待したROIが出ない」と悩む製造現場は少なくありません。 照明変化や位置ずれ、障害物への対応が難しい場合は、画像認識技術との組み合わせが有効 … 続きを読む

    • 画像認識AI
  7. AI検知カメラで何ができる?選び方のポイントや成功事例と合わせて解説

    AI検知カメラの導入を検討する際、「通常の監視カメラと何が違うのか」「どのような業務に活用できるのか」と疑問を持つ方も多いでしょう。 AI検知カメラは、映像を記録するだけでなく、AIが人や物体、行動などをリアルタイムで解 … 続きを読む

    • 画像認識AI
タイトルとURLをコピーしました