エラー防止チェック（表裏判定/有無分類）
以下では、表裏判定/有無分類シーンにおけるワーク認識の設定フローについて説明します。対象物の表裏方向が正しいか、または対象物が存在するかを判定し、未装着や逆装着などの問題を防止します。
設定ツール をクリックし、エラー防止チェック を選択します。その後、表裏判定/有無分類 を選択すると、設定フローに進みます。
使用手順
全体の認識フローは、以下の4つの手順で構成されます。
-
画像前処理：入力画像に対して、色空間変換、画像強調、ノイズ除去、モルフォロジー変換などの前処理を行い、画像品質を向上させます。対象物特徴を強調し、背景ノイズを低減することで、後続の対象物認識に対して信頼性の高いデータ基盤を提供します。
-
位置姿勢補正：認識領域を設定し、補正処理によって認識対象をテンプレートへ位置合わせします。認識対象の特徴に応じて適切な補正方式を選択し、パラメータを柔軟に設定することで、位置および角度のずれを補正し、認識精度と結果の信頼性を向上させます。
-
エラー防止チェック：実際の要件に応じて、補正後の画像内に検査用目標領域を設定し、画像ラベル付けおよび判定ルール設定を行います。これにより、対象物の表裏/有無状態を自動認識・分類します。
-
共通設定：出力ポートを設定し、判定結果や状態などの関連情報を出力することで、生産ラインにおける自動検査要件に対応します。
画像前処理
対象物認識前に、入力画像の品質に応じて、色空間変換 または 画像前処理 を有効化し、対応するパラメータを調整できます。これにより画像特徴をより明確にし、認識精度および処理効率を向上できます。
画像の色空間を変換
色空間変換では、入力画像をある色空間から別の色空間へ変換できます。例えば、BGRからグレースケール画像への変換や、BGRからHSVへの変換などが可能です。色空間を変換することで、画像特徴をより強調でき、後続の画像処理を行いやすくなります。
詳細な説明については、画像の色空間を変換 をご参照ください。
位置姿勢補正
画像前処理完了後、位置姿勢補正設定を行います。認識領域および補正パラメータを設定することで、現在画像内の認識対象の位置姿勢をテンプレートと一致するよう補正し、後続認識の精度および信頼性を確保します。
補正設定を追加
位置姿勢補正手順へ入った後、補正パラメータグループを新規作成する必要があります。複数のパラメータグループ作成に対応しており、各パラメータグループごとに認識領域およびパラメータを個別設定でき、互いに影響しません。
追加 をクリックすると、補正パラメータ追加ウィンドウが表示されます。パラメータグループ作成時には、画像特徴に応じて適切な補正方式を選択し、対応するパラメータを設定してください。
現在、以下の3種類の補正方式に対応しています。
-
補正なし：元の入力画像をそのまま使用して認識を行い、位置姿勢補正処理は実施しません。認識対象の画像内位置が比較的固定されており、補正精度要求が高くないシーンに適しています。
-
2D位置合わせ：並進および回転処理によって、認識対象の位置姿勢をテンプレートに一致させます。認識対象のエッジ輪郭を抽出し、エッジマッチングアルゴリズムによって高精度な補正を実現します。認識対象位置が固定されておらず、明確かつ安定した輪郭特徴を持つシーンに適しています。詳細については、2D位置合わせ をご参照ください。
-
2Dブロブ位置合わせ：画像内の明暗領域（ブロブ）を検出するために使用します。ブロブの幾何学的特徴（面積、質心など）に基づいて目標ブロブを選別し、その最小外接回転長方形を計算します。その後、目標ブロブの質心が画像中心と一致し、最小外接回転長方形の主軸が画像座標軸と一致するよう画像位置姿勢を補正します。詳細については、2Dブロブ位置合わせ をご参照ください。
パラメータグループ作成完了後、パラメータグループ名を右クリック、または右側の機能ボタンをクリックすることで、名前変更、削除、コピー作成などの操作を実行できます。
2D位置合わせ
2D位置合わせは、並進および回転処理によって、入力画像内の認識対象をテンプレートへ位置合わせする補正方式です。認識対象位置のばらつきによる認識誤差を低減し、認識安定性を向上できます。この補正方法を選択した場合は、認識領域設定、テンプレート設定、および認識パラメータ調整を順に実施する必要があります。
認識領域を設定
位置合わせ処理の有効範囲を設定します。領域選択時には、認識対象を完全に含めたうえで、周囲に適切な余白を確保してください。これにより、位置合わせ処理の安定性および後続認識の精度を確保できます。実際の要件に応じて すべてを認識領域として設定 または 認識領域をカスタマイズ を選択できます。認識領域をカスタマイズする場合は、範囲選択ボタンをクリックし、認識領域を手動で指定してください。
-
すべてを認識領域として設定：画像全体を対象に認識を行います。一般的に、認識対象の分布範囲が広いシーンに適しています。
-
認識領域をカスタマイズ：指定した範囲のみを対象に認識を行います。画像内の特定領域のみに注目したい場合や、背景・ロボットハンドなどの干渉領域を除去したい場合に適しています。
ワーク認識
テンプレートを選択
認識領域設定後、テンプレートを選択または編集し、後続の認識対象物の位置決めおよびマッチングに使用します。編集 をクリックすると、2Dテンプレートエディタが開きます。
テンプレート作成時には、画像内から代表性が高く、安定したエッジ特徴を選択してください。これにより、システムは後続処理において、テンプレート特徴と一致するワークを画像内から自動検索し、高精度かつ安定的に位置決めできます。また、マッチング結果の一意性および安定性も確保できます。詳細については、2Dテンプレートエディタ をご参照ください。
| テンプレート編集完了後は、毎回 更新 をクリックして最新設定を適用してください。 |
認識パラメータを設定
テンプレート選択後、ステップを実行 をクリックすると、テンプレートマッチング結果および認識結果を確認できます。
認識結果が期待どおりでない場合は、認識対象の特徴や認識要件に応じて他のパラメータを調整し、認識性能を最適化してください。
パラメータの詳細については、2D位置合わせ をご参照ください。
その後、次へ をクリックしてエラー防止チェックを行います。
2Dブロブ位置合わせ
2Dブロブ位置合わせは、ブロブに基づく補正方式です。画像内のすべてのブロブを検出し、その中から幾何学的特徴が最も顕著なブロブを選別します。その後、目標ブロブの質心が画像中心点と一致し、最小外接回転長方形の主軸が画像座標軸と一致するよう、画像位置姿勢を補正します。2Dブロブ位置合わせを選択した場合は、認識領域設定および認識パラメータ調整を順に実施する必要があります。
認識領域を設定
位置合わせ処理の有効範囲を設定します。領域選択時には、認識対象を完全に含めたうえで、周囲に適切な余白を確保してください。これにより、位置合わせ処理の安定性および後続認識の精度を確保できます。実際の要件に応じてカスタム設定を行えます。
システムは長方形および円形の2種類の範囲選択モードに対応しており、複数領域を組み合わせて追加することも可能です。つまり、同一画像上に複数の長方形または円形認識領域を同時に設定でき、複雑なシーンにおける認識要件にも対応できます。
ワーク認識
認識領域設定完了後、認識対象の特徴や認識要件に応じて各種パラメータを調整し、認識性能を最適化できます。
詳細については、2Dブロブ位置合わせ をご参照ください。
各パラメータの使用方法については、パラメータ調整事例 も参照してください。
エラー防止チェック
位置姿勢補正後、表裏判定/有無判定フローへ進みます。目標領域設定、画像ラベル付け、および判定ルール設定を行うことで、対象物の表裏/有無状態を自動認識・分類できます。
画像取得
モデルトレーニング用の画像データを取得します。
-
現在ステップの入力ポートに画像データが接続されていることを確認してください。
-
ツールを開くと、カメラが自動的に1枚の画像を取得し、モデルトレーニング用データとして使用します。必要に応じて、画像を取得 をクリックし、新しい画像を取得してモデルトレーニングに使用できます。
|
画像取得時には、生産現場における代表的な変化条件を含めることを推奨します。
多様な画像を用意することで、モデルが実環境へ適応しやすくなり、判定精度向上につながります。 |
目標領域を設定
画像取得後、後続のラベル付けおよびトレーニングを行うため、目標領域（ROI）を設定します。
-
編集 をクリックすると、目標領域設定画面が表示されます。
-
目標領域を設定します。
「長方形」または「円形」の範囲選択ツールを使用し、表示領域上でドラッグしてROIを作成します。対象物の実際の位置および形状に合わせて、不要な背景を含めないよう正確に領域を選択してください。
-
目標領域設定時には、重要特徴のみを含む領域を指定することも可能です。
-
複数領域を手動設定する場合は、最初に1つ領域を作成し、その後コピー＆ペーストで他の領域を生成することを推奨します。これにより、各目標領域サイズを統一でき、モデルトレーニング安定性および判定精度向上につながります。
-
-
（任意）マスク領域を設定します。
目標領域内に反射、影、固定背景などの不要要素が存在する場合は、マスク領域を設定することで除外できます。これにより、モデルトレーニングおよび分類判定への影響を防止できます。
マスク領域を設定 をクリックし、ポリゴン範囲選択ツールを使用して表示領域内にマスク領域を描画してください。左クリックで頂点追加、右ダブルクリックでポリゴンを閉じて設定完了となります。
-
設定完了後、保存して適用 をクリックして目標領域設定を適用します。
|
目標領域とマスク領域が 完全に重なった場合、最前面レイヤ のみ編集可能です。
|
画像にラベルを付ける
画像取得および目標領域設定完了後、モデルに各クラス特徴を学習させるため、画像ラベル付けを行います。
-
編集 をクリックして画像にラベルを付けます。
-
可視化領域内で目標 ROIを選択し、右側のクラスから、OK または NG に対応する 画像にラベル付け をクリックして、目標ごとのラベル付けを実施します。
このツールでは、固定の OK/NG クラスを使用してラベル付けを行います。実際の現場要件に応じて意味を定義できます。例えば、「表面」または「あり」を OK、「裏面」または「なし」を NG として設定可能です。
-
現在画像内に OK/NG 両クラスが含まれている場合は、そのままラベル付け完了できます。一方、いずれかのクラスが不足している場合、または画像内に対象が1つのみ存在する場合は、画像を取得 をクリックして新しい画像を取得して補完してください。OK は最低1例以上、NG に複数異常パターンが存在する場合は、各パターンについて最低1例以上のラベル付けを推奨します。
-
モデル認識精度向上のため、トレーニングデータには OK/NG 両クラスの多様な画像を含めることを推奨します。また、位置ずれ、汚れ、傷、変形、色調差、背景差異など、さまざまな撮影条件を含めることで、モデル汎化性能を向上できます。
-
曖昧なクラスの画像をラベル付けしないよう注意してください。モデル学習性能低下の原因となる場合があります。
-
実環境で照明条件や対象物角度にばらつきが存在する場合は、詳細設定で 輝度変化に適応 または 輝度変化に適応 を有効化できます。システムは既存のラベル付け画像に対して微小回転や明るさ調整を自動実施し、多様な仮想画像を生成してモデルトレーニングへ利用します。これにより、学習データ拡張およびモデル汎化性能向上が可能です。
-
-
ラベル付け完了後、保存して適用 をクリックしてラベル付け結果を保存します。
モデルのトレーニングと検証
-
モデルをトレーニングします。
ラベル付け完了後、トレーニング をクリックしてモデル学習を開始します。トレーニング完了メッセージが表示されるまで待機してください。
-
モデルを検証します。
検証 をクリックすると、検証画面が表示されます。この画面では以下のパラメータ確認・設定、およびモデル認識結果確認を行えます。
パラメータ 説明 検証結果
パラメータ説明： 分類判定結果を表示します。認識結果に応じて OK または NG を表示します。
処理時間
パラメータ説明： 1回あたりの推論処理時間（ms）を表示します。
信頼度しきい値
パラメータ説明：モデルを OK と判定するための最小信頼度です。この値未満の画像は NG と判定されます。
初期値：0.5
調整説明：初期値のまま使用することを推奨します。判定設定
パラメータ説明： 複数目標領域が存在する場合の判定ルールを設定します。「すべてOK」：すべての目標領域が OK の場合のみ OK と判定されます。「少なくとも1つOK」：いずれか1つが OK の場合に OK と判定されます。
オプション：すべてOK、少なくとも1つOK
初期値：すべてOK
調整説明： 実際の要件に応じて選択してください。ヒートマップ
パラメータ説明：有効化すると、モデルが注目している領域を可視化ヒートマップとして画像上に重ねて表示します。色が濃い（暖色系）ほど、その領域への注目度が高いことを示します。
初期値：オフ
調整説明： 通常、ヒートマップは目標領域内のエッジ、欠陥、テクスチャなどの特徴部分に集中していることが望ましいです。これはモデル注目箇所確認に利用できます。
ヒートマップが過度に分散している、または無関係領域へ集中している場合、モデルが有効特徴を正しく学習できていない可能性があります。その場合は、前の手順へ戻り、より多様な学習画像を追加して再学習してください。
-
（任意）追加学習を行います。
判定結果が期待どおりでない場合は、追加学習機能を使用して、誤認識画像などを追加学習できます。
-
追加学習 をクリックして画像にラベルを付けます。
-
可視化エリア内で誤判定画像を選択、または新しい画像を取得してラベル付けします。
-
ラベル付け完了後、保存して適用 をクリックすると、システムが新しいラベル付けデータを用いて再学習・再検証を実施します。
-
「学習 → 検証 → 追加学習」を繰り返し実施し、期待するモデル性能へ調整できます。
追加学習は増分学習方式であり、既存モデルをベースに最適化を行うため、初回学習からやり直す必要はありません。
追加学習後も改善しない場合は、ラベル付け精度を確認するか、画像取得手順へ戻って代表的な画像を追加してください。
-
-
モデルを保存して適用します。
検証完了後、保存して適用 をクリックし、モデル設定を保存します。
これでモデル設定は完了です。次へ をクリックして共通設定を行います。