Preferred Networks (PFN) Visual Inspection は深層学習により、高い精度と柔軟性を低コストで実現する外観検査ソフトウェアです。 従来の深層学習検査ソフトウェアが抱える、大量の学習データの収集、アノテーションの手間、モデル構築の難しさ、 といった問題を解決し、より少ない学習データに対する簡易なアノテーションによって高精度の検査を実現します。 それにより、短期間・低コストでの検査システム構築が可能になります。
PFN 独自の
深層学習モデル
わずか 100 画像
から学習可能
アノテーション
を簡易化
不良箇所を
可視化
GUI による
直感的な操作
柔軟・迅速な
システム立ち上げ
金属部品の微細な傷や欠けを検知します。
布・繊維の持つ複雑な模様を学習により認識し、模様上にある汚れやほつれを検知します。
柔軟な学習モデルにより、食品の個体差に左右されることなく傷や傷みを検知します。
PFN 独自の優れた深層学習モデルにより、少ないデータでの高精度検査を実現します。
学習データが数万、数十万必要だった従来手法に比べ、良品 100 サンプル、不良品 20 サンプルといった少量の学習データから学習可能です。
用意した製品画像に対して、「良品（good）」「不良品（bad）」といった分類を画像単位で行うだけで学習可能です。不良の位置を教示する必要はありません。
不良箇所をヒートマップで可視化することで、検査結果に対する説明性を向上させています。
検査システム構築に必要となる推論ライブラリを提供します。学習からシステム導入までをシームレスにつなぎ、迅速なシステム立ち上げを実現します。
まずはお気軽にお問い合わせください。
| 検知対象 | カーペット |
| 不良の種類 | シミなどのよごれ |
| 学習枚数（良品） | 80 |
| 学習枚数（不良品） | 40 |
| 検知対象 | 金属部品 |
| 不良の種類 | 傷 |
| 学習枚数（良品） | 50 |
| 学習枚数（不良品） | 50 |
2019/01/09
日経ものづくり 2019年1月号に掲載されました
書籍の紹介ページ
2018/10/12
日経 xTECH/日経ものづくりで紹介されました
精度100％の外観検査AI、キモは撮影テクとすり合わせ（3ページ目）
2018/12/12
SEMICON Japan 2018 でデモ展示を実施しました
SEMICON Japan 2018 - Preferred Networks
2018/10/12
Ledge.ai で紹介されました
Preferred Networksがディープラーニングを活用した外観検知ソフトウェアをリリース
2018/10/11
クラウド Watch で紹介されました
Preferred Networks、深層学習技術を用いた製造現場向け外観検査ソフトウェアを提供
