機械視覚検査識別向けのセマンティックセグメンテーション畳み込みニューラルネットワーク（Convolutional Neural Network、CNN）モデルは、測定対象の部品や寸法などの特徴を認識・測定できます。機械視覚検査識別における部品や重要部位の認識ニーズの増加、および転移学習時のCNNモデルの一部重み喪失問題に対応するため、ラベル保留Softmaxアルゴリズムに基づくセマンティックセグメンテーション転移学習技術を提案しました。機械視覚検査識別セマンティックセグメンテーション転移学習のモデリング手法を研究し、モデル全体の重み微調整転移学習を試みることが初期損失軽減に寄与することを分析で示しました。ラベル保留Softmaxアルゴリズムに基づく微調整転移学習手法を提案し、対象物がわずかに異なる場合のモデル全体重み微調整転移学習を実現可能にしました。自社構築データセットでの実験により、ラベル保留微調整転移学習技術は機械視覚検査識別の要求を満たすモデルの訓練時間を42.8分から30.1分に短縮でき、アルゴリズムは有効で効果が顕著であることが示されました。適用実験では、転移学習技術が標準部品の取り付け、漏れ取り付け、誤取り付けの検出および組立品質識別の半教師あり学習を実現できることが示され、新規ケースの転移学習訓練時間は20.2分以内で、検出精度は100%に達し、ケース標準部品組立品質検査の要求を満たすことが可能です。

機械視覚;セマンティックセグメンテーション;転移学習;畳み込みニューラルネットワーク;微調整