応用情報技術者 2023年 秋期 午前2 問73

マシンビジョンの目的【午前2解説】

正解の理由

解法ステップ

1. 問題のキーワード「マシンビジョン」「AIを用いた」を確認し、対象が「画像（視覚）情報の取得・解析」であることを把握する。
2. 各選択肢が「画像取得・解析（視覚的検査）」に該当するかを判定する。
3. 視覚的検査を直接扱うもの（イ）を正解候補とし、残りを用途の違いで除外する。
4. 必要に応じて、技術的な違い（表示技術 vs 画像解析、データ解析 vs 画像解析）を根拠に確認する。

選択肢別の誤答解説

• ア: VRゴーグルに作業プロセスを表示することによる作業効率化
  • 解説: 作業支援のための表示技術は、拡張現実（AR）や仮想現実（VR）などの「人への情報提示」に分類されます。これらは作業指示や手順の提示といった用途に有効ですが、マシンビジョンが指す「カメラで取得した画像の解析による検査・判定」とは目的と処理内容が異なります。
• イ: 人間の目視検査を自動化し、検査効率を向上させる（正答）
  • 解説: マシンビジョンの典型的な用途であり、欠陥検出、外観検査、寸法検査、ラベルや印字のOCRなど、視覚情報をAIで判定することで効率化・品質向上が図れます。
• ウ: 入出荷データを用いた需要予測と生産数の最適化
  • 解説: これは時系列データや需要予測を扱う「データ分析／機械学習」の領域であり、マシンビジョン（画像解析）そのものではありません。製造計画・需給最適化の用途です。
• エ: 設計変更をAIで吟味して製造現場に正確に伝達する
  • 解説: 設計変更の確認・伝達はPLM（製品ライフサイクル管理）やドキュメント管理、ナレッジベース、あるいは自然言語処理を含む情報伝達の領域です。画像解析を核とするマシンビジョンとは直接の関係が薄いです。

よくある誤解

• 「VRゴーグル＝マシンビジョン」と混同する
  • VR/ARは情報の提示技術であり、マシンビジョンは画像を解析して判断する技術です。提示と解析は役割が異なります。
• 「マシンビジョンは必ずディープラーニングを使う」
  • 深層学習が高精度なケースが多い一方で、従来の画像処理（閾値処理、エッジ検出、テンプレートマッチング）や古典的な機械学習で十分な場面もあります。
• 「マシンビジョンはカメラだけで完結する」
  • 照明、レンズ、カメラの配置、サンプルの搬送や位置決めなど検査精度を左右する物理的要素が重要です。

補足コラム

• 画像取得：カメラ（ラインカメラ／エリアカメラ）、照明、レンズ、撮像タイミング
• 前処理：ノイズ除去、コントラスト調整、幾何補正
• 特徴抽出・分類：古典手法（SIFT, HOG等）やCNNなどの深層学習モデル
• 判定・アクション：合否判定、ラベリング、計測値出力、ロボットへのフィードバック
  エッジデバイスでリアルタイム判定を行うか、クラウドで集計・学習を行うかは用途とレイテンシ要件で選びます。品質評価指標としては精度（accuracy）だけでなく、適合率（precision）や再現率（recall）も重要です。例えば欠陥検出で誤検出を減らしたい場合は適合率、見逃しを減らしたい場合は再現率を重視します。

• 精度 $=$ $(TP+TN)/(TP+TN+FP+FN)$
• 適合率 $=$ $TP/(TP+FP)$
• 再現率 $=$ $TP/(TP+FN)$

import cv2
import tensorflow as tf

# 画像取得
img = cv2.imread('product.jpg', cv2.IMREAD_COLOR)
# 前処理
img_proc = preprocess(img)  # サイズ変更、正規化など
# 推論
model = tf.keras.models.load_model('defect_model.h5')
pred = model.predict(img_proc)
# 判定
is_defect = pred[0] > 0.5

FAQ