機械学習を使ってガラスボトルの印刷品質を向上させる

ガラス瓶の製造において、瓶の印刷が高品質であることはめっちゃ重要だよね。印刷の小さな欠陥でも大きな影響があるし、ガラスの反射とかが原因で欠陥を見つけるのが難しくなるんだ。これを解決するために、ガラス瓶製造を専門にしている中規模の会社と一緒に取り組んだんだ。機械学習を使った二つの方法を開発して、瓶の印刷の品質管理に役立てることができたんだ。

#課題

ガラス瓶は光を反射するから、写真撮影がややこしくなる。これらの瓶の写真を撮ると、反射があるせいで印刷が合格かどうかを判断するのが難しくなる。今のパートナーが使っているシステムは、瓶の画像を撮影して「完璧な」参照画像と比較するんだけど、二つの画像の差がある限界を超えると、その瓶は不良品としてフラグが立てられる。しかし、このシステムは反射によるバリエーションに苦労していて、誤報が出たり、欠陥を見逃したりすることがある。

パートナーは、なるべく正確に不良品を特定することに集中したいと言っていて、多少の合格品が誤ってフラグが立てられても気にしないってさ。不良品を受け入れるコストを減らしたいというのが大きな狙いなんだ。

#データ収集と前処理

私たちの分析に使った画像は、会社の既存のシステムから集めたもので、生産ラインの終端で瓶の画像をキャッチするんだ。各瓶は、固定されたカメラと照明で制御された環境で撮影されて、クリアな視界のために回転させるんだ。

生産を妨げるわけにはいかないから、工場の主な作業に影響を与えない形で、画像を外部ドライブにコピーするプロセスを作ったよ。受け入れ不可とされたものを優先しつつ、限られた画像だけを定期的にキャッチすることができるってわかった。

#教師なし画像選択

ラベリングプロセスを楽にするために、集めた画像を整理する方法を使ったんだ。各画像を合格印刷の参照画像と比較して、どれだけ似ているかを判断するために特定の測定方法を使用したよ。あまりにも違う画像は、品質管理の専門家にチェックされるようにフラグを立てたんだ。

その後、専門家が画像をスミッジや回転、その他の問題に基づいてラベルを付けて、印刷を合格と不合格の2つのカテゴリーに分けたんだ。これで、手動でチェックする必要がある画像の量が減ったんだ。

#データの準備

ラベル付けした画像を準備して分析にかかる準備を始めたよ。カラー画像とグレースケール画像の両方を扱って、品質を改善するためにいろいろなテクニックを使ったんだ。反射を最小限に抑えるフィルターの適用や、テスト画像を参照画像と比較するための画像品質メトリックを利用したよ。

#画像品質メトリック

二つの画像がどれだけ似ているかを評価するために特定のメトリックを使った。大きな違いがあれば、印刷に欠陥があるかもしれない。重点を置いたメトリックには、平均二乗誤差、正規化平方根平均二乗誤差、構造的類似性指数が含まれているよ。

#画像フィルター

画像の品質を向上させるために、印刷を強調しつつ反射の影響を減らすための異なるフィルターを使った。ソベルやキャニーといったフィルターは、画像のエッジを強調して、印刷をよりクリアに、分析しやすくしてくれたよ。

#画像の整列

設定のせいで、画像の中で瓶がわずかに異なる角度に見えることがあるんだ。これに対処するために、ORB（Oriented FAST and Rotated BRIEF）という手法を使って画像を整列させた。これで、回転やその他のバリエーションに調整できて、印刷を参照画像と比較しやすくなったんだ。

#機械学習アプローチ

画像を分析するために、二つの主要な方法を開発したよ。

#アプローチ1：画像特徴と古典的分類器

最初のアプローチでは、整列した画像に選んだフィルターをかけたんだ。そして、サポートベクターマシンやk-最近傍法みたいな異なる教師あり学習モデルを使って、抽出した特徴に基づいて画像を合格か不合格かに分類したよ。

このアプローチで、特に反射のような特有の歪みがあっても画像を効果的に分類できることを示す比較的高い精度を達成できたんだ。ただ、画像を整列させることがパフォーマンスにかなりの違いを与えるってわかったんだ。

#アプローチ2：CNNモデルのファインチューニング

二つ目の方法は、事前にトレーニングされた畳み込みニューラルネットワーク（CNN）を使うこと。これらのモデルは、以前に大量の画像でトレーニングされていて、ガラス瓶の印刷の欠陥を特定するという特定のタスクにファインチューニングできるんだ。

ResNetやVGGのようなモデルを使うことで、特定の特徴に依存せずに画像を直接分類できた。この方法は特に感度が強くて、不合格の印刷を正しく特定できたんだ。

#Grad-Camを使った可視化

モデルをさらに分析するために、Grad-Camというツールを使ったんだ。これを使うことで、分類決定において最も重要な画像のどの部分が重要かを可視化できた。これを適用することで、どの印刷の領域が不良として頻繁にフラグが立てられるかがわかり、製造プロセスに対する実用的なインサイトを提供できたんだ。

#結果

二つのアプローチを評価した結果、どちらの方法も既存の品質管理システムよりも改善されていることがわかった。最初のアプローチは、特に画像整列プロセスのおかげで強いパフォーマンスを示した。CNNを使った二つ目のアプローチは、一般的に精度で一つ目の方法を上回ったよ。

#パフォーマンスメトリック

真陽性率の点では、私たちのモデルは不合格印刷を特定するのが得意だったし、管理可能な誤陽性率を維持できていた。このバランスは製造業にとって重要で、目的は不良品に関連するコストを最小限に抑えつつ誤報で品質管理のスタッフを圧倒しないことだからね。

#製造へのインサイト

二つの技術は、分類精度を改善しただけでなく、実際の製造プロセスを最適化するためのインサイトも提供したよ。例えば、瓶の回転を追跡することで、欠陥につながる生産の根本的な問題を示すことができる。

さらに、CNNモデルから生成されたヒートマップは、一般的な欠陥領域を明確に視覚化することができた。この情報は、製造業者が調整や改善が必要な印刷プロセスの特定の領域に焦点を当てる助けになるんだ。

#結論

結論として、私たちの取り組みは、ガラス瓶製造業における品質管理プロセスを向上させるための機械学習の可能性を示しているよ。効果的なデータ収集、画像処理、機械学習技術を実装することで、不良印刷の特定を大幅に改善できる二つのアプローチを成功裏に開発できた。これからも継続的なデータ収集とこれらの方法のさらなる洗練があれば、より良い結果が得られるはずで、製造業者が高い基準を維持しつつ生産エラーに関連するコストを削減するのに役立つと思うよ。