AI分類（複数クラス）ツール
機能
「AI分類（複数クラス）ツール」は、ディープラーニングをベースとした可視化分類ツールです。最大8種類の異なるクラスのカスタム学習に対応しています。ウィザード形式の設定手順に従うことで、画像取得からモデル推論までの一連の流れを迅速に構築できます。このツールは、単一品種ワークの多仕様混流識別や、外観欠陥の等級分類などのシーンでよく利用されます。
-
画像を取得：学習用の画像データを取得します。実際の生産環境における代表的な状況を十分にカバーできるよう、画質と多様性を備えた画像を取得することを推奨します。これにより、モデルの判定精度を向上させることができます。
-
ROI設定：取得した画像上で目標領域（ROI）を設定し、対象を正確に囲みます。これにより、後続のラベル付けおよび学習の準備を行います。
-
画像にラベル付け：各目標領域に対応するクラスラベルを付与します。最大8クラスまで定義可能です。各クラスに対して多様な画像をラベル付けし、学習対象の特徴を十分に網羅することを推奨します。
-
モデルのトレーニングと検証：ラベル付け済み画像を用いてモデルを学習します。学習完了後はモデル性能を検証し、分類結果が期待どおりであることを確認します。判定精度が不十分な場合は、画像を追加して再学習を行い、実運用に必要な性能が得られるまで改善します。
使用手順
ツールを開いた後、左側のモデルリストの右上にある 新規作成 をクリックし、新しいモデル設定フローを作成して開始します。
画像を取得
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、ラベル付けおよび学習に使用する目標領域（ROI）を設定します。
|
「対象物の位置姿勢」ポートに入力がある場合、ROI は対象物の位置姿勢に合わせて同期的に変換されます。ここで設定するROIは基準位置であり、実際の認識時には位置合わせパラメータに基づいて動的に位置補正されます。 |
-
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。以下の２つの方法をサポートしています。
設定方式 説明 すべてを目標領域として設定
ROI が画像全体を自動的に覆います。対象物が画像いっぱいに存在する場合に適しています。一部領域を除去したい場合は、次の手順でマスク領域を設定してください。
目標領域をカスタマイズ
「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。ここでは1つのROIのみ設定可能です。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。
-
（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。
-
必要に応じてクラスリストに新しいクラスを追加します（最大8クラス）。各クラスに識別しやすい名称を設定します。
-
可視化エリアで対象ROIを選択し、右側のクラスラベル一覧から対応する 画像にラベル付け をクリックして、対象にクラスラベルを割り当てます。
-
画像取得 をクリックして新しい画像を取得し、上記のラベル付け作業を繰り返します。各クラスについて、少なくとも1枚以上の画像にラベル付けを行います。
-
ラベル付けを行う際は、位置ずれ、汚れ、傷、変形、色調差、背景差など、異なる撮影条件を含む画像をできるだけ多く登録することを推奨します。ラベル付けデータが充実しているほど、モデルの環境適応能力が向上します。
-
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、設定したクラスまたは未知クラスが表示されます。
信頼度
パラメータ説明：現在の分類結果に対するモデルの信頼度を表示します。値が高いほど、その画像が判定されたクラスに属する可能性が高いことを示します。
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：モデルがクラスを判定するための最低信頼度です。この値を下回る場合、結果は未知クラスと判定されます。
初期値：0.5
調整説明：初期値の使用を推奨します。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。ツールを閉じた後、「モデル名」パラメータのドロップダウンリストから作成したモデルを選択すると、後続の推論ステップでそのモデルを利用して分類判定を行うことができます。