【2019年_岡部誠】動画中の異常検出技術の実装と分析

2024年7月16日2026年8月8日

著者：副業の宮殿｜製造業に携わる現役エンジニア。技術士試験対策書籍をKindleで複数出版。技術ブログ「副業の宮殿」にて製造業DX・AI活用の情報を発信中。

https://ipsj.ixsq.nii.ac.jp/ej/?action=repository_action_common_download&item_id=199633&item_no=1&attribute_id=1&file_no=1 Title (英語・日本語): Implementation and Analysis of Video-based Anomaly Event Detectors / 動画中の異常検出技術の実装と分析 Journal Name & Publication Year: 情報処理学会研究報告, 2019年 First and Last Authors: Makoto Okabe First Affiliations: Department of Mathematical and Systems Engineering, Graduate School of Engineering, Shizuoka University Abstract: 定点カメラによる映像から異常を自動検出する技術を研究。異常状態を「正常状態から外れる状態」と定義し、正常状態を機械学習で学習させる。Xuらのdenoising autoencoder手法とLuらのスパースモデリング手法を実装し、実験結果を報告。 Background: 多くのカメラが導入され、治安や機器の正常動作を保証する必要があるが、人間の負担や人件費が問題となる。異常状態を正常状態から外れる状態と定義し、正常状態を学習することで異常検出を行う。カメラの状態は変化しないことを前提とする。 Methods: Xuらのdenoising autoencoder手法では、グレースケール動画の各フレームから15×15のパッチを切り出し、特徴量を抽出して1クラスSVMに入力。異常が検出された場合、該当部分を赤く表示。Luらのスパースモデリング手法では、動画を時空間ボリュームとみなし、3次元的な勾配を計算してパッチを切り出し、特徴ベクトルに次元削減を適用し、基底ベクトルの線形結合で表現する。 Results: UCSDデータセットを用いた実験で、見た目に基づく検出器はカートやトラックなどを検出。速度場を併用することで自転車やスケートボードも検出可能に。 Discussion: Xuらのdenoising autoencoder手法は、見た目の情報と速度場の情報を基に異常検出を行い、特に速く走る物体の検出に有効である。Luらのスパースモデリング手法は、高速な異常検出技術を提案し、実装と実験結果を報告。 Novelty compared to previous studies: Xuらのdenoising autoencoder手法とLuらのスパースモデリング手法の実装により、異常検出の精度と速度を向上させた点。 Limitations: カメラの状態が変化しないことを前提としているため、動的な環境変化には対応しにくい可能性がある。 Potential Applications: 治安維持や工場での機器の正常動作保証のための監視システムに応用可能。体力的な負担や人件費の高騰を抑制する自動異常検出システムの開発が期待される。

どの程度の大きさの異常が検出できますか

検出可能な異常の大きさ: 論文では具体的な異常の大きさに関する詳細な数値は記載されていませんが、使用している手法と実験結果から推測することができます。 Xuらのdenoising autoencoder手法: この手法では、グレースケールの動画の各フレームから15×15ピクセルのパッチを切り出し、特徴量を抽出して異常検出を行います。したがって、最低でも15×15ピクセル程度の異常を検出することができます。実験では、見た目が明らかに異なるカートやトラックなどの物体を検出できることが示されています。また、速度場を併用することで、自転車やスケートボードなどの速く走る物体も検出可能になっています。 Luらのスパースモデリング手法: この手法では、動画を時空間ボリュームとみなし、10×10×5のパッチを切り出して特徴ベクトルを生成します。このため、少なくとも10×10ピクセルの範囲にわたる異常を検出することができます。主成分分析を用いて次元削減し、異常検出を高速に行うことができるため、より微細な異常も検出可能です。これらの手法により、通常の監視カメラの解像度においては、10×10ピクセルから15×15ピクセル程度の大きさの異常を検出することが可能です。ただし、異常の検出精度や最小検出可能サイズはカメラの解像度や映像の品質、使用するモデルの学習データにも依存します。

1mm

1mm程度の非常に小さな異常を検出するためには、使用するカメラの解像度や検出技術の精度が非常に重要です。以下の方法で1mmの異常を検出する可能性があります：高解像度カメラ: 1mmの異常を検出するためには、非常に高い解像度のカメラが必要です。例えば、顕微鏡カメラや高解像度の工業用カメラが適しています。通常の監視カメラでは1mmの異常を検出するのは難しいでしょう。画像処理技術: 高解像度の画像や映像に対して、エッジ検出、パターン認識、差分画像解析などの高度な画像処理技術を適用します。これにより、微小な異常も検出可能となります。 AI・機械学習: 異常検出のためにAIや機械学習技術を用いることができます。大量の高解像度データを基に学習させることで、非常に小さな異常も検出できるようになります。特にディープラーニングは微小な異常検出に有効です。専用検査装置: 工業製品の検査などでは、専用の異常検出装置やシステムが用いられることがあります。これらは高精度で微小な異常を検出するために設計されています。具体的なアプローチ例: 顕微鏡カメラを使用して高解像度の画像を取得し、異常検出アルゴリズムを適用する。深層学習モデルを使用して、1mm程度の異常を含む大量のデータを学習させ、異常検出を行う。高精度のレーザースキャンや超音波検査などの非破壊検査技術を利用して、微小な異常を検出する。これらの技術を組み合わせることで、1mm程度の破片や異常を検出するシステムを構築することができます。

高解像度カメラをいくつかピックアップしてください

高解像度カメラのいくつかの例を以下に挙げます。これらのカメラは、1mm程度の微小な異常を検出するために適しています。 Keyence VHX-7000シリーズ高解像度のデジタルマイクロスコープで、最大25000倍の倍率が可能です。微細な異常や欠陥の検出に優れています。 Basler ace acA2040-90um 2048 x 2048ピクセルの解像度を持つ産業用カメラで、高速かつ高精度な画像取得が可能です。機械学習との連携にも適しています。 FLIR A615 高解像度の赤外線カメラで、640 x 480ピクセルの解像度を持ち、温度変化を高精度で検出することができます。工業用の異常検出に適しています。 Omron Sentech STC-MC202USB 2048 x 1536ピクセルの解像度を持つ産業用カメラで、USB接続により簡単にシステムに組み込むことができます。これらのカメラは、それぞれ特定の用途に適しています。選定する際には、検出対象や環境に応じて適切なカメラを選ぶことが重要です。また、資料やプレゼンテーションの作成を効率化するために、AiPPTを利用すると便利です。AiPPTを使用すると、テキストをワンクリックで洗練されたプレゼンテーションに変換でき、柔軟なテンプレートを活用して効率的に準備を進めることができます。無料でサインアップして、アイデアを迅速かつ効果的に形にすることができます。