Deep Learningを用いた画像・動画・音声の解析システムを提供している株式会社Ristの会社紹介資料

1. 株式会社Ristのご紹介©Rist Inc.

2. ©RistInc.
©RistInc.
01
01
目次
会社概要1
Deep Inspectionのご紹介
Deep Meshのご紹介
製造業以外の分野での実績
問い合わせ∼導入まで
事例１：村上開明堂様
事例２：大手パッケージ・ラベル製造会社様
Deep Inspection Collatioのご紹介
事例３：凸版印刷様
事例１：戸田建設様
事例２：コニカミノルタ様
2
3
4
5

3. ©RistInc.
©RistInc.
02
02
会社概要
事
業
理
念
産官学の垣根を越えて
既存のテクノロジーを生かし、
現代社会の課題を解決する。
会
社
概
要
会 社 名
設 立 日
H P
東 京 本 社
京 都 支 社
株式会社Rist
2016/8/1
http://www.rist.co.jp
東京都目黒区目黒2-11-3
京都府京都市左京区孫橋町23 SAMURAIビル2F
Deep Learningによる
非構造データの処理に特化
国内外のメーカー、大学、
病院、プロスポーツチーム
などと提携
製造業
医療画像
スポーツ
など
画像 動画 音声

4. ©RistInc.
©RistInc.
03
03
Deep Learningを用いた画像検査システム
人の目による判断を で補完するAI
Deep Inspection

5. ©RistInc.
©RistInc.
04
04
例えば...
大量のOKデータ画像とNGデータ画像により
ネットワークをトレーニングする
OK NG
NG
過去の人間の判定基準と同様に
新しい画像を自動で判定することが可能
OK

6. ©RistInc.
©RistInc.
05
05
３つの主要なアルゴリズム
分類
汚れ群
サビ群
キズ群
異常箇所検知
セグメンテーション

7. 事例1
村上開明堂様

8. ©RistInc.
©RistInc.
07
07
村上開明堂様のご紹介
バックミラーで国内シェア
No.1No.1

9. ©RistInc.
©RistInc.
08
08
1
2
鏡の表面検査工程
鏡の表面の不具合の検知
不具合の種類の15種類の分類を行う
・・・

10. ©RistInc.
©RistInc.
09
09
従来システムの問題点
最終的に、検査員が目視で確認
1.画像の色味など数値化
2.人が閾値を決める
n 閾値の設定が困難
n 精度60%ほどの対象あり

11. ©RistInc.
©RistInc.
10
10
多クラス分類の畳み込み
ネットワーク（CNN）を使用
Ristのアプローチ
自信がないものは人間に判断を委ねつつ
確実に目視検査の負荷を軽減
Ａ 30
25
20
15
0.2 0.4 0.6 0.8 1.0
35
10
5
0
Deep Inspectionの判定自信度
サンプル数
青線：正解 橙色：不正解
精度：99%以上
従来通り目視検査
精度：99%以下
自動システム検査
全体では90%の精度
→使い物にならない
低い自信度のものは
従来通り目視検査
高い自信度のものは
自動検査へ
自信度
Ｂ
Ｃ
…

12. ©RistInc.
©RistInc.
11
11
検証結果と今後の取組
検討結果
今後の取り組み
検査の自動化により得られたデータから
上流工程の最適化なども目指していく
●3000枚を検証
●従来の精度60%から、精度97%を達成
○2018年6月からラインへ導入、増産予定
○全ライン導入後は検品作業員が7割削減
○タイ、中国といった海外展開を検討中

13. 事例2
大手パッケージラベル製造会社

14. ©RistInc.
©RistInc.
13
13
実現したいこと
ある領域の高さ・幅の
ピクセル数を測定
高
さ
幅

15. ©RistInc.
©RistInc.
14
14
従来の課題
K社製の検査機器使用時
課題
1.影やシワなどで、測定すべきラインの検出を間違える
2. 100枚に1枚程、上記のような正しくないラインを検出
高
さ
幅

16. ©RistInc.
©RistInc.
15
15
Ristのアプローチ
自動運転や医療分野で利用されている
セグメンテーションアルゴリズムを利用
SegNet
FusionNet
高さ
幅
パッケージのある領域を
Deep Learningで
抽出し、幅測定

17. ©RistInc.
©RistInc.
16
16
試験結果
K社の検査機器
100枚に1枚のエラー
Ristのシステム
10,000枚に1枚のエラー
100倍の精度向上を実現
2018年8月工場へ導入実験

18. 比較検査システム
Deep Inspection Collatio

19. ©RistInc.
©RistInc.
18
18
1. 同一部品エリアの良品・不良品のペアを作成
学習フェーズ
2.不良エリアを教示
許容される差分
許容されない差分
3. Rist独自比較ニューラルネットワークを使用し、良品エリア差分/不良エリア差分の特徴を学習
画像提供：精密工学会 外観検査アルゴリスムコンテスト2015

20. ©RistInc.
©RistInc.
19
19
予測結果 画像提供：精密工学会 外観検査アルゴリスムコンテスト2015
「異常な差異」のみを検知する非常に柔軟な比較検査
正常画像 異常画像

21. ©RistInc.
©RistInc.
20
20
事例3：凸版印刷様
プリンター&スキャン由来の差異を学び
検知すべき異常のみを見つける
印刷業界への応用
従来のマッチングでは
過検出となる対象

22. Deep Learningを用いた3D認識システム
現場の
肌感覚を
自動化する
Deep Mesh

23. ©RistInc.
©RistInc.
22
22
自立飛行型ドローンとAIを活用した施工の最適化
❶発破
❷ドローンに
よる自動撮影
❸画像処理
❹３次元点群データ
Blast Eye Blast AI
学習したＡＩが良否判定
3次元
点群データ
熟練者
（暗黙知）
人工知能AI

24. ©RistInc.
©RistInc.
23
23
自立飛行型ドローンとAIを活用した施工の最適化
不良な発破：爆薬量が不足した例 良好な発破 不良な発破：爆薬量が過大な例

25. ©RistInc.
©RistInc.
24
24
３D LiDARのAI活用
3D-LiDARによるリアルタイム
三次元情報の取得
動体認識・行動解析・形状認識技術
https://www.konicaminolta.com/jp-ja/future/3dlr/index.html
https://special.nikkeibp.co.jp/atcl/NBO/16/010500001/

26. ©RistInc.
©RistInc.
25
25
３D LiDARのAI活用
Deep Learningによる程反射率物体の距離推定
3D-LiDARの課題である低反射率物体の距離測定精度を向上

27. ©RistInc.
©RistInc.
26
26
製造業以外の分野での実績
スポーツ
動画からの動作認識・骨格検知
医療画像への展開
眼底画像から
網膜剥離判定率98%以上
（2018年で関連論文5報）

28. ©RistInc.
©RistInc.
27
27
問い合わせ∼導入まで
カメラや照明などの選定
運用方法や現場導入も
実績ベースで提案
1
2
3
4
5
6
問い合わせ
要件定義
試作開発
本開発
導入
保守

29. https://www.deep-inspection.com
「検査ソフトウェア」ではなく
「目視検査の必要無い世界」を提供します。