全体的な紹介¶
インスタンスセグメンテーションの機能¶
対象物が紙箱である場合、画像内に紙箱があるかどうかを判断します(モデルは紙箱以外の物体を認識しません)。ある場合は、各紙箱の輪郭をマークし、「紙箱」ラベルを表すカテゴリを出力します(ラベルは画像の特徴をマークしたときに作成されました)。紙箱がない場合は、結果は表示されません。
対象物が石鹸、歯ブラシ、シャンプーなどの多種類の物体である場合、画像内にそれらがあるかどうかを判断します。ある場合は、各物体の輪郭をマークし、対応するラベルを分類します。それらがない場合、結果は表示されません。
業界の代表的な応用シーン¶
デパレタイジング・パレタイジング: 紙箱、ターンオーバーボックス、麻袋などの物体を要件に従ってパレットから下ろし、パレットまたは破袋機、コンベヤーベルトなどに配置します。
ワークのロードとアンロード: 自動車、鉄鋼、機械などの業界で、複雑なワーク、構造部品、不規則な部品などの物体を運送、把持します。
商品仕分け: 種まき、摘み取りなどのEC物流倉庫の商品仕分け方式に適しています。インフレータブルバッグ、透明パッケージ、アルミニウム缶、不規則な商品(鍋、丼鉢などの食器)など、様々な商品に対応できます。
宅配便小包仕分け: 宅配便軟包、郵便封筒、宅配便の紙箱、フォーム封筒など一般的な小包、また様々な特殊形状の小包に対応できます。
応用プロセス¶
インスタンスセグメンテーションはディープラーニングに基づいています。ユーザーは、実際の応用シーンの物体画像をインスタンスセグメンテーションモデルに入力し、画像内の各対象物の輪郭とカテゴリをマークすることでモデルに分割方法を学習させます。ディープラーニングのインスタンスセグメンテーションの応用プロセスは以下のとおりです。
トレニンーグに必要なデータを取得:カメラで対象物の画像を十分に取得します。
データラベリング:取得した画像ごとに、各物体の輪郭とカテゴリをマークします。
モデルトレニンーグ:前の2つのステップで取得したラベル付きデータをインスタンスセグメンテーションモデルに入力してトレーニングを開始します。
モデルを使用して予測:トレーニング済みモデルをプロジェクトに応用します。