受講概要
プログラム
1．異常検知・予知保全の基礎
- 故障検知と予知保全
- Condition Based Maintenance
- センサデータから何が分かるか
- 正常／異常データの特徴
2．音響・振動信号の処理
- 時間領域解析
- FFTと周波数解析
- スペクトログラム
- STFT
- Wavelet
- 雑音低減と前処理
- 異常を捉える特徴量
3．機械学習による異常検知
- PCA
- SVM
- One-Class SVM
- Isolation Forest
- 正常データを中心とした異常検知
4．深層学習による異常検知
- CNN
- Autoencoder
- LSTM
- Transformer
- Anomaly Scoreの考え方
- 少量の異常データにどう対応するか
5．画像・音・振動を統合するマルチモーダルAI
- センサフュージョンとは
- Early Fusion / Late Fusion
- 音響＋振動
- 画像＋音響
- 複数センサを使うメリット
- 単一センサでは検出できない異常への対応
6．実際の設備診断への適用
- モータ
- ポンプ
- ファン
- ベアリング
- 配管
- 生産設備
- データ収集時の注意点
- AIモデルの評価方法
- 誤検知をどう減らすか
7．これからの異常検知
- Explainable AI
- Foundation Model
- マルチモーダルAI
- Digital Twinとの融合
- 少量データ環境におけるAI
- 実設備導入へのロードマップ
Q&A
受講形式
WEB受講のみ
※本セミナーは、Zoomシステムを利用したオンライン配信となります。
※Live配信のみ、録画視聴はありません。
オンラインでご参加の方は、事前にこちらでZoomの接続環境をご確認ください。
スムーズな受講のため、カメラ・マイク・スピーカーの動作をご確認ください。
受講対象
画像処理、画像認識、生成AI、画像圧縮、カメラ、ディスプレイ、印刷、医療画像、検査・計測等に携わる技術者・研究者
予備知識
特別に必要ありません。
習得知識
１）PSNR・SSIMなど、画像品質評価の基本的な考え方と各指標の特徴・限界
２）Full-Reference／No-Referenceなど、目的に応じた画像品質評価手法の選び方
３）LPIPSなど、深層学習を活用した知覚的画像品質評価の仕組みと活用方法
４）FID・CLIP Scoreなど、生成AI画像に適した評価指標の特徴と使い分け
５）Hallucination・Artifactを含む生成画像特有の品質問題と、用途別の適切な評価方法
講師の言葉
画像品質評価（Image Quality Assessment: IQA）は、従来の画像圧縮・伝送・復元画像の評価から、AIによる画像生成・画像変換の品質評価へと対象が急速に広がっています。
本セミナーでは、PSNR、SSIMなどの基本的な客観画像品質評価から、No-Reference IQA、深層学習による品質評価、LPIPS等の知覚的評価までを体系的に解説します。
さらに、生成AI時代に重要となっているFID、CLIP Score等の生成画像評価、HallucinationやArtifactの問題、AI生成画像を「何をもって良い画像と判断するのか」という最新課題まで、具体例を用いて分かりやすく解説します。