Q&A
「精度が7割程度しか出ていない」とありますが、訓練データとテストデータの精度の差はどのくらいですか？
前提・実現したいこと
工場のラインに流れる製品の外観チェックの自動化ができないかと
機械学習で実現の検討し始めたばかりです。
DeepLearningの本を3冊程度読んだ程度です
機械学習に知見のある方にご相談したいです。
#アプローチの仕方がまどろっこしいかもしれません
NGのサンプルが少ないため、OKの画像数枚に
手作業でペイントツールで傷っぽい線・点などを書込み
NG画像として作成しています。
単純にOK・NGのディレクトリに画像を格納し、
各画像のラベルデータにOK/NGを使用しています
精度が7割程度しか出ていないので、改善を検討しております
現在、考えているのは、画像の領域にアノテーションのデータを付与して
物体を認識させてから、特定の領域(部品)に対してOK/NGの判定を行おうとしております。
参考になりそうなサイトをご存じでしたらば、教えて頂きたいです
ここに質問の内容を詳しく書いてください。
物体認識と画像判定(OK/NG)を組み合わせた、機械学習の参考になるサンプルコードが知りたいです。
以下は見つけており、動作確認は致しました
・画像判定のOK・NGを分けるだけのサンプルコード
・物体認識を行うサンプルコード
物体認識を行い特定物体を対象としてOK・NGを判定したいです
学習のモデルは下記を使用しています。
model = Sequential() model.add(Conv2D(20, kernel_size=5, strides=2, activation='relu', input_shape=input_shape)) model.add(MaxPooling2D(3, strides=2)) model.add(BatchNormalization()) model.add(Conv2D(50, kernel_size=5, strides=2, activation='relu')) model.add(MaxPooling2D(3, strides=2)) model.add(BatchNormalization()) model.add(Flatten()) model.add(Dense(100, activation='relu')) model.add(Dropout(keep_prob)) model.add(Dense(output_size, activation='softmax'))
■■な機能を実装中に以下のエラーメッセージが発生しました。
python3 jupyternotebook keras2
試したこと
・画像判定の機械学習
・物体認識の機械学習
当初サンプル画像として入手した画像に対する訓練につきましては
Lossについては、7Epoch分の学習を行い、3Epoch目から0.0となり
accuracyについては、6Epoch目から1.0となりました
(OK画像1枚。NG画像は手作業でドットを付与したものを用いて、水増しを行い200枚の訓練データを用意)
ただ、訓練画像としてサンプルでいただいたものは、判定に必要な領域をアップで撮影したもので
実運用上は、撮影者・撮影距離によって、判定に必要な領域以外の箇所が含まれることになります。
なので、さらにサンプルとして、少し距離を置いたイチから撮影した画像(OK)を
訓練したモデルを用いて判定すると、0.65-0.72程度の範囲でOKするようになりました。
撮影者・撮影距離によるバラツキを考えると、自動で、画像内における判定対象領域を特定(物体認識)後に
OK/NG判定するようにできれば、OK/NG判定精度を挙げられるのではないかと考えた次第です。
レスありがとうございます
>「精度が7割程度しか出ていない」とありますが、訓練データとテストデータの精度の差はどのくらいですか？
訓練データとテストデータの差につきまして、追記いたしました。
わかりづらい記載となり申し訳ございません。
お時間あるときにご確認お願いいたします
ok画像に線を加えているということですが、実際のng画像と拡大して比べてみてください。
画素数が少ないですが、KeyenceのIV2という画像センサーでは、AIでの判定もできます。検討されてみてはいかがでしょうか。
レスありがとうございます。
画像センサーのご紹介ありがとうございます。
しかしながら、取得した画像を加工するのは大丈夫なのですが
画像を取得する手段には制約を持たせたくないという背景があります。
そのため、YOLOを使用した物体認識で学習した領域を
切出して判定用のデータとして選択しようかと考え始めております
※切出した画像が小さすぎる場合は、エラー判定を出すようにしようかと
教師画像が少ない時に、反転して作ることがありますが、製造現場ではあまりいい結果にならないことがあります。影の出来方が異なり、「現実にはあり得ない画像を教師データとした」ために実運用に耐えられないことになります。写真の撮り方は、かなり重要な要素です。
機械学習は、何を学習したかわかりにくいので、何度も試しましょう。
なお、畳み込みが2層しかありませんが、せめて4層まで増やしましょう。層の数もハイパーパラメータなので、色々試しましょう。
レスありがとうございます。
畳み込みを4層以上で、検討するようにします。
ありがとうございました。
Q71様、質問の方クローズしようかと思いますので
回答の方に、「2020/06/16 21:26 」と同じ内容を記載いただけないでしょうか？
ベストアンサーに指定させて頂こうと思います
回答1件
0
ベストアンサー
教師画像が少ない時に、反転して作ることがありますが、製造現場ではあまりいい結果にならないことがあります。影の出来方が異なり、「現実にはあり得ない画像を教師データとした」ために実運用に耐えられないことになります。写真の撮り方は、かなり重要な要素です。これは、実際に何枚も撮って見て学ぶしかありません。ウチでは照明やレンズを借りて試し、実際に使うものを選定しています。
機械学習は、何を学習したかわかりにくいので、何度も試しましょう。画像系の場合、判断根拠を可視化する手法があるので、それを使って「判断してほしいところを元に判断しているか」確認しましょう。画像が大きいと、人が無視しているところを元に判断されてしまうことがあります。
なお、畳み込みが2層しかありませんが、せめて4層まで増やしましょう。層の数もハイパーパラメータなので、色々試しましょう。ディープラーニングの「ディープ」は、層が深いことを意味しますが、おおよそ4層以上の事を言います。
投稿2020/06/19 12:05
総合スコア995
あなたの回答
tips
プレビュー
