FAQ
- モデルの効果が良くない場合は、トラブルシューティングするにはどうすればよいですか？
-
-
ラベル付けが間違っているかどうかを確認します。
-
トレーニングセットに全ての種類の欠陥があるかどうかを確認します。
-
画像入力サイズを確認します。欠陥が小さすぎると正常にトレーニングを実行できないこともあります。
-
- 「欠陥セグメンテーション」モジュールと「教師なしセグメンテーション」モジュールは、それぞれ、どんなシーンに適用できますか？
-
総じていえば、2つとも画像の欠陥領域を検出できますが、大きな相違点があります。
-
「欠陥セグメンテーション」モジュールは、欠陥を検出し、欠陥の位置やサイズ、形状を正確に判断します。「教師なしセグメンテーション」モジュールは、画像に欠陥があるかどうかだけ判断し、欠陥の領域を大まかに表示します。
-
「欠陥セグメンテーション」モジュールは、画像にラベルを付けるときに全ての欠陥を指定します。「教師なしセグメンテーション」モジュールは、欠陥のラベル付けが不要で、また OK 画像だけを指定すればいいです。
-
「教師なしセグメンテーション」モジュールは、欠陥領域を大まかに表示しますが、精確に欠陥をセグメンテーションすることはできません。欠陥に対して高精度なインスタンスセグメンテーションが求められる場合、「欠陥セグメンテーション」モジュールを使用してください。
-
- カメラの露出を調整し、または補光を行って環境光の変化をシミュレートしてデータを取得することはできますか？
-
いいえ。現場の照明が変化する場合は、異なる照明条件でデータを取得しなければなりません。手動で作られた照明環境で取得するデータは参考できません。
- カメラの位置が固定されており、ワークの位置姿勢が変化する場合、カメラの位置を移動してワークの位置変化をシミュレートすることはできますか？
-
いいえ。データを取得する前に、カメラの位置を固定にしなければなりません。カメラを移動すれば、ディープラーニングモデルの効果とカメラの外部パラメータに影響を与えます。カメラの位置が固定されており、ワークの位置姿勢が変化する場合、トレーニング中にROIを適切に大きくすることができます。
- 元のカメラで取得されたデータの品質が悪くてカメラを交換した後、元のデータの反復モデルを追加する必要はありますか？
-
いいえ。カメラ交換後のデータを再取得して、モデルトレーニングを行う必要があります。
- 背景を変更すると、ディープラーニングの効果に影響しますか？
-
はい。背景を変更すると、モデルの認識に誤りや漏れが発生しますので、初期段階で背景を確認したらそれを変更しないでください。
- 異なるカメラ型番と取り付け高さで取得したデータを同じモデルに使用してトレーニングできますか？
-
はい。ROIにご注意ください。差を小さくするために、異なる高さの画像にROIをそれぞれ選択してください。
- 光沢がある金属部品を対処する場合、データを取得するときに注意すべきことは何ですか？
-
露出過度/不足を回避してください。一部の露出過度を避けられない場合に、ワークの輪郭がはっきり認識できるようにしてください。
- モデルの効果が良くない場合は、トラブルシューティングするにはどうすればよいですか？
-
トレーニングデータの数量と品質、データの多様性、ROIパラメータ、照明などからトラブルシューティングします。
-
数量：トレーニングデータの数量が、良好なモデル結果を取得するのに十分であるかどうかを確認します。
-
品質：データ品質が最良かつ明確で、露出過度/不足があるかどうかを確認します。
-
データの多様性：データに現場で起こりうる全ての状況が含まれるかどうかを確認します。
-
ROIパラメータ：現場で設定されたパラメータはトレニンーグ中のデータと一致しているかどうかを確認します。
-
照明：照明が変化するかどうか、また画像取得時と一致しているかどうかを確認します。
-
- 現場で照明が複雑で、影や遮蔽などによる認識効果の不安定をどう改善しますか？
-
実際状況に応じて、遮光や補光を行えば改善できます。
- 現場データとトレーニングデータのROIが一致しなければ、インスタンスセグメンテーションの信頼度のしきい値に影響するのはなぜですか？
-
トレーニングデータのROIと一致しなければ、対象物がモデルの最適認識範囲内にないため、信頼度のしきい値に影響します。したっがて、応用時のROIをトレーニングデータのROIと一致させる必要があります。
- 紙箱のスーパーモデルとはなんですか？
-
紙箱、袋物のデパレタイジング/パレタイジング向けに「スーパーモデル」（クリックでダウンロード）を提供します。スーパーモデルを使用すれば、画像を取得してトレーニングを実行せずにほとんどの紙箱と袋物を分割することが可能です。
- 紙箱のスーパーモデルは、どのようなシーンに適していますか？
-
同じ色やパータンの紙箱、または多種類の紙箱のデパレタイジング・パレタイジングに適しています。ただ、このモデルは紙箱が同じ段に水平に配置されたシーンにのみ適用されます。
- 紙箱のスーパーモデルを使用すれば、データをどう取得しますか？
-
スーパーモデルを使用してテストします。正確に分割できなければ、問題のあるデータに対して約 20 枚の画像を取得します。
- 新バージョンの Mech-DLK で古いプロジェクトを開いたら検証の結果が外れた場合、どうすればいいですか？
-
検証を再度クリックすればいいです。
- Mech-DLK を使用してモデルをトレーニングする時、ModuleNotFoundError: 「No module named ‘onnxruntime’」が表示されたらどうすればいいですか？
-
C ドライブの「User」フォルダに入り、現在のユーザーフォルダを開きます。 AppData/Roaming/Python/Pythong36/site-packages は空かどうかを確認します。空でなければ手動で全てのものを削除してください。
- AMD CPU は CPU モデルを実行できますか？
-
AMD CPU は CPU モデルを実行できません。
- 画像分類と教師なしセグメンテーションとは、なんの違いがありますか？
-
この 2つのモジュールは、結果的には画像をいくつかの分類に分けますが、使用方法と機能には大きな違いがあります。
-
データのラベル付け
-
画像分類モジュールはデータを分類するのでモデルをトレーニングするために各分類のラベル付け済みデータを使用します。
-
教師なしセグメンテーションモジュールは、ラベル付け済み OK 画像だけで十分です。
-
-
機能
-
画像分類モジュールは、追加されたラベルによって画像を判断します。NG 画像を検出する時、画像分類モジュールは一種または複数種類の欠陥タイプ（欠陥と種類とは 1 対 1 関係）しか検出できません。
-
教師なしセグメンテーションモジュールは、設定したしきい値によって画像は OK/NG/Unknown（未知）かを判断します。NG 画像を検出する時、教師なしセグメンテーションモジュールは様々な欠陥タイプの NG 画像を検出できます。
-
-
結果
-
画像分類モジュールでは、付けたラベルの種類数だけを出力します。
-
教師なしセグメンテーションモジュールは、画像を OK/NG/Unknown に分類するほか、欠陥の領域を大まかに認識することも可能です。
-
まとめて言えば、画像分類モジュールは、種類の数が確認されたデータに適しており、教師なしセグメンテーションモジュールは NG 画像を検出し、欠陥の種類を事前に確認していない場合に適しています。
-