本技术介绍参考了以下链接
English
2014年11月25日
业界首次！生产流水线的图像识别程序自动生成技术
通过使用构建模块的机器学习使处理速度提高10倍
株式会社富士通研究所（注1）（以下简称，富士通研究所）开发了以下技术。
开发背景
近年来生产线上存在很多利用摄像头进行自动组装和自动检查的装置，传统方法是由专家开发图像处理程序。因此构建生产线需要花费很长时间，对于运行中的生产线和周围环境发生变化等情况无法及时应对，对于无法持续稳定运行的课题，程序的自动生成技术成为当务之急（图1）。
图1 利用摄像头的自动组装装置的图像识别程序的开发和修改过程
课题
传统的识别程序自动生成中，使用的是作为机器学习之一的遗传算法（图2）。在遗传算法中，首先从多个图像识别程序（母体集合）中随机选择两个程序作为母体，该母体合成后生成多个识别程序（子体）。然后对生成的各子体进行评价，评价时使用的是作为学习材料而事先准备的输入图像（教材），和希望从该图像中抽取的目标图像(正确答案)的组合。将用于学习的输入图像输入到子体程序中，对输出图像与目标图像的吻合程度进行评分，根据得分判断将其淘汰还是成为下一代的母体。如果是后者的情况，将重新加入母体集合，反复执行该进化过程直到出现合格的子体。
虽然该方法非常适用于强调目标区域图像等图像处理操作，但由于机器学习需要的时间依赖于母体集合的数量，可能导致耗时长。另外，对于准确检测图像内零件位置的程序，还存在无法自动生成该检测程序的问题。
图2 使用遗传算法的图像识别程序的自动生成概要
开发的技术
为了使机器学习高效化，我们致力于研究作为材料的“教师”、“评分”和“教材”。
开发的技术优点如下所示：
1. 自动生成程序的树形结构（教师构建模块）
要取得目标图像的程序，如图3所示，通过图像处理函数的树形结构的组合进行构建，但利用传统方法的话，该组合接近无限大，在能获得实际应用的时间范围内很难完成学习。富士通研究所在构建树形结构时，以强调处理类别和流程等特征的专业知识为基础，给予处理步骤限制，缩短了学习时间。以此实现了大幅削减组合数，短时间内生成目标程序（从3项教材构建时所需时间合计缩短为原来的1/10）的目的。
图3 自动生成程序的树形结构的约束方法
2. 生成程序的评价方法（分类机构建模块）
评价在自动生成过程中形成的程序时，富士通研究所开发出了不像以往那样通过图像质量进行评价，而是以检测位置为目的的零件形状和相似性的评价技术。例如，检测直线时，只要其倾斜角度（θ）和位置（ρ）与目标匹配即可，因此即使图像质量不太好，也可以自动生成适用于位置检测的程序（图4）。
图4 生成图像的评价方法
3. 选择训练数据（教材构建模块）
为了缩短学习时间，通过最小化作为学习数据的输入图像和目标图像的组合数量，将学习候选的多个图像按亮度、对比度、细节等特征来分类，通过从各类中选出有代表的图像，利用少量的学习数据就可以生成能应对图像变化的程序。（图5）
图5 学习数据的选择方法
效果
以目前未实现自动化的零件组装的位置识别为对象，富士通研究所对该技术进行试运行评测。结果显示本技术将低于50%的识别率大幅提高到97%以上。图像识别程序的修改时间也缩短为原来的1/10。通过实现高识别率可以将零件组装时的定位偏差减少一半，同时还可以将组装操作时间缩短为原来的2/3。
如上所述，通过试运行评测，发现该技术可以在不停止制造生产线的情况下，通过稳定的识别率运行生产线，实现高品质高效率的产品制造。
今后
此次开发的技术，不仅可以用于零件组装的位置识别，还可以用于零件加工、检查等使用图像识别技术的各种制造生产线中。富士通研究所将继续推进该技术的更高性能化，目标本年度在富士通的制造生产线中实现实用化。同时，作为活用该技术的解决方案，今后计划在车载摄像头、监控摄像头、医疗摄像头等领域开展应用。
注释
注1 株式会社富士通研究所：
社长 佐相秀幸
总公司所在地 日本神奈川县川崎市
