（3）仕様判別モデル構築の効率化 一般的なAIの使い方では，全ての事象を網羅した学習を行うアプローチで，膨大な学習データ（数千から数万）が必要であり，生産工程への適用は，膨大なデータ蓄積や学習の手間等の間接工数を考慮すると現実的ではない。 そこで，本取り組みでは，CNN判別モデルの効率的な構築（AI学習の効率化）を目指す。 本取り組みでは，以下➀～➃のとおり，予見される学習画像の変動を画像処理で再現し，あらかじめ学習データに織り込むことで，少ない基本学習データでも効率的なモデル構築を行った。➀基本学習データを準備：統計的な分布が確認可能な30枚のタイヤ仕様画像を準備➁タイヤ仕様画像の変動（明暗差）の影響因子を抽出：ここではタイヤ製品面のうねり，タイヤ回転軸角度のバラツキ等を含んだタイヤ横振れ量（タイヤとセンサー間の距離変動）が影響因子➂影響因子の物理現象を網羅する画像を準備：タイヤ横振れ量の寸法公差を網羅するように基本学習データ画像を10倍（10段階／枚）にデータ拡張（※3）（Fig. 7，8）➃生産工程の変動を織り込んだ判別モデルの構築：網羅的な学習データ（330枚）でモデル構築を効率化※3 データ拡張学習画像を反転や回転，輝度変化等の画像処理を用いて学習データを増やすこと（5）タイヤ仕様の自動検査方法 本取り組みの自動検査システム（Fig. 12）を生産工程に設置し，以下の方法でタイヤ仕様自動検査の精度検証を行った。➀対象車両の車幅・車高に合わせて計測器を移動―123―ycneuqerfycneuqerfycneuqerf Light -x.xx[mm]Base Images (30 data) Base Images +Data augmentation(30+300data)Fig. 7 Data AugmentationFig. 8 Data Augmentation Image（4）適切な閾値設定による不具合品の流出防止 本取り組みでは，生産工程のさまざまな変動に対応できる自動検査システム（人のフレキシブルな状況判断の代替）を目指しているが，「2.4 完成検査自動化の考え方」に従って，判別結果（出力スコア）が少しでも曖昧な場合は全て「不明」とする適切な閾値設定を行い，不具合品の流出防止を保証する。 生産工程で取得したタイヤ画像（約2000本分）の仕様判別結果を以下（Fig. 9～11）に示すが，出力スコアのLateral run-out Shade +x.xx[mm]Data augmentation [Light] Base Data augmentation [Shade] 100008000600040002000010000800060004000200001000080006000400020000105432105030score105432105030score105432105030scorePositiveNegative70909596979899PositiveNegative70909596979899PositiveNegative90959697989970Fig. 9 Result of Manufacturer DiscriminationFig. 10 Result of Series DiscriminationTable 1 Score Average and Standard DeviationManu-facturerSeriesSizeFig. 11 Result of Size DiscriminationPositive ScoreStandard deviationAvg.99.9980.0005399.9990.0038099.9920.22171Negative ScoreStandard deviationAvg.0.001120.000530.000040.001430.001960.10129平均，標準偏差（Table 1）から，AI判別の出力スコアが95点未満であれば「不明」と判定する閾値設定とした。なお，本取り組みのタイヤ仕様判別モデルは，正しい判別（Positive）と誤判別（Negative）の出力スコアが大きく乖離しており，高い精度で仕様判別ができているといえる。
元のページ ../index.html#130