SEO対策の東京SEOコンサルタント

現在のSEO対策はアルゴリズムのアップデートとGoogleの技術進化で小手先のテクニックだけで検索上位表示ができなくなりました。真剣にサイト運営に取り組まなくてはもはや検索結果で1ページ以内に入る事はおろかすぐに順位下落してしまいます。

Uncategorized

Auto Encoderの導入

更新日:

ある企業では、最終検査の自動化にあたり、目標は、「熟練社員による最終検査と同等以上の精度をもつ検査モデルを構築すること」というものでした。その実証実験には、ディープラーニング技術の一つであるAuto Encoder (オートエンコーダ:自己符号化器)を中心に、複数の手法を組み合わせることにしました。なぜ、Auto Encoderを採用したのか。それはデータの特徴を考えたためです。同社で製造している最終検査自動化の対象となる部品は、既に不良品率が0.002%ときわめて低いものでした。 ディープラーニングで学習させるにしても、1日に1個程度の不良品サンプルしか入手できないこと、そして数が少ないにもかかわらず、その欠陥パターンが無数にあるという実情です。そこで考えられたのが、不良品を学習させるのではなく、大量に入手できる「正常品データ」 のほうに目を向け、正常品画像だけでモデル構築のできる「Auto Encoder」 を使用することにしたわけです。また、正常品と言っても一律ではありません。その部品は鍛造工程を経て完成するため、 その表面や歯車の先には少しずつバラツキがあります。このため、やはり大量の正常品データを必要とすることには変わりありません。Auto Encoderは、ニューラルネットワークを使った次元圧縮という仕組みです。簡単にいうと、コンピュータのファイルを「圧縮・解凍」するような手順を考えていただければ理解しやすいでしょう。つまり、「元の画像(正常品の画像)」 を入力し(入力層、1層目)、それを圧縮する(2層目以降/隠れ層)。これを解凍すると、「元の画像(正常品の画像)」 が出力される(出力層)という仕組みです。検査対象部品のケースでいうと、正常品画像のデータを大量に学習させて、「正常品」の特徴をとらえたAuto Encoderのモデルをつくります。そして、検査で「正常品画像」が入力された場合、Auto Encoderは「正常画像に似た画像」をつくりだします。同様に、「不良品画像」の場合も、Auto Encoderは「正常品画像に似た画像」をつくりだしますが、キズなどの欠陥がある場合は「入力→出力」の画像の間にいわば「差分」が発生し、きちんと復元できません。それが「欠陥を検出した」という判定につながるというものでした。

-Uncategorized

Copyright© SEO対策の東京SEOコンサルタント , 2020 All Rights Reserved.