正常品だけを学習して、不良品を見つける
畳み込みオートエンコーダ（CAE）による外観検査のデモ。画像を選ぶと、その場で判定します。
不良品の画像を1枚も学習させていません。
正常なリンゴだけを学習させたモデルは「正常な見た目」しか復元できません。
腐ったリンゴを入れると復元に失敗し、元の画像との差が大きくなります。その差の大きさで判定しています。
- 実務では不良品のサンプルが十分に集まらないことが多く、この手法はそこを回避できます
- 「何が不良か」を定義せずに済むため、想定外の異常にも反応します
1. 画像を選ぶ
モデルが一度も学習に使っていないリンゴの画像を10枚用意しました。 正常なものと腐ったものが混ざっています。選ぶとその場で判定します。
2. 判定結果
入力画像
選んだ画像
再構成
モデルが「正常ならこう見えるはず」と復元した画像
誤差マップ
入力と再構成の差。明るいほど差が大きい
—
正常寄り異常寄り
データセットの出典
Sultana, N., Jahan, M., Uddin, M.S. (2022) An extensive dataset for successful recognition of fresh and rotten fruits. Mendeley Data, V1. doi:10.17632/bdd69gyhv8.1 — CC BY 4.0
表示しているサンプル画像も同データセットのものです（CC BY 4.0 に基づき再配布）。