ＡＩがどの程度有効なのか確認するためＰｙｔｈｏｎを使用してニューラルネットワークを簡単な３層構成で作成し、 物体表面のキズ、欠陥検知を検証して見ました。

ＤＡＧＭ ２００７ Ｃｏｍｐｅｔｉｔｉｏｎで使用された画像の欠陥を検出するためのデータセットを使用しました。 原画像は大きさが５１２*５１２、８ビットの大きさで、ＡＩの処理時間を短くするため大きさを １２８＊１２８、８ビットの画像に一括変換しています。
難易度を下げるため、欠陥画像に一部分単色で塗り潰した加工を行いました。明るい色で塗り潰した画像と、 周辺の輝度と似た輝度で塗り潰した画像２種類準備しました。

学習用正常画像１５０枚と学習用欠陥画像１５０枚からデータセットを作成、 ＡＩに画像毎の正常、異常の情報を教師データとして与え、２種類の画像を分類するよう学習させます。
次に検証用正常画像（同学習用）１５０枚と検証用欠陥画像１５０枚を認識して分類できているかを検証しました。

結果１００％分類できました。驚いたのは正常画像と目視しても区別しにくい 赤い矢印で示した塗り潰しを含む欠陥画像を７５枚、正確に分類できたことです。
欠陥画像は一部分単色で塗り潰してあります。明るい色で塗り潰した画像と、 赤い矢印の部分で示した周辺の輝度と似た輝度で塗り潰した画像２種類準備しました。 学習を行うことで赤い矢印の欠陥部分を認識し正常な画像と異常な画像を分類できるかがポイントです。

学習開始時は、３００枚全て正常画像と認識して欠陥画像が不正解となり認識精度が０．５（５０％）となっています。 学習を重ねることで認識精度が１．０（１００％）へ推移していることが分かります。
ＡＩにて学習と検証を交互に行い認識精度の推移をグラフに表示しました（青：学習、橙：検証）。
縦軸：認識精度、横軸：テスト回数、
判定：正常フォルダの画像を正常と認識した場合：ＯＫ、
認識精度：ＯＫ枚数／３００枚数。

０．９９６は３００枚の内、１枚誤認があったことになります。
１．０は３００枚すべて正常画像、欠陥画像を認識し分類したことになります。

ＯＳをｘｕｂｕｎｔｕへ変更、
学習用正常画像１５０枚と学習用欠陥画像１５０枚
検証用正常画像（同学習用）１５０枚と検証用欠陥画像１５０枚
から
学習用正常画像１５０枚と学習用欠陥画像１５０枚
検証用正常画像（異学習用）１５０枚と検証用欠陥画像１５０枚
にデータセットを変更しました。
前回学習したパラメータを使用して、再度、学習、検証を行いました。

ＡＩにて学習と検証を交互に行い認識精度の推移をグラフに表示しました（青：学習、橙：検証）。
縦軸：認識精度、横軸：テスト回数、
判定：正常フォルダの画像を正常と認識した場合：ＯＫ、
認識精度：ＯＫ枚数／３００枚数。

検証開始時、認識精度が１００％の正解とはなりませんでした。
学習、検証を繰り返すことで１００％となりました。

上記ニューラルネットワーク例と全く同じ条件で畳み込みニューラルネットワークＣＮＮを使用して 学習及び検証を行いました。上記ニューラルネットワーク３層の前段にＣＮＮを追加しました。

ニューラルネットワークと畳み込みニューラルネットワークの違いは、ニューラルネットワークは 一枚の画像すべてを一列に変換して処理を行うことにより画像の形状を無視します。
ＣＮＮでは３次元（横＊縦＊RGB）のデータとして処理し形状に含まれる情報を維持していることです。

グラフは３００枚の画像を１００回学習し、認識精度が１００％に達していることを表しています。

学習用正常画像と検証用正常画像は同じ　学習用欠陥画像と検証用欠陥画像は異なります。

ＯＳをｘｕｂｕｎｔｕへ変更、検証用正常セットデータを変更しました。
パラメータは前回の検証と同じものを使用して、再度、学習、検証を行いました。
学習用正常画像と検証用正常画像は異なり、学習用欠陥画像と検証用欠陥画像も異なります。

学習済みのパラメータを使用し、学習なしで、正常/欠陥画像を入力してＡＩが正確に正常/欠陥画像を判定するかテストを行います。

正常画像を配置する取り決めのフォルダ０に正常画像（１.png～５.png）と、欠陥画像（６.png～１１.png）を配置
欠陥画像を配置する取り決めのフォルダ１に欠陥画像（１.png～５.png、１４８.png）と、正常画像(９８.png)を配置しました。

右表右端の[０]は正常，[１]は異常
正常画像フォルダ
1.png[0] ：正常画像と分類
10.png[1]：欠陥画像と分類
11.png[1]：欠陥画像と分類
2.png[0] ：正常画像と分類
...
6.png[1]：欠陥画像と分類

欠陥画像フォルダ
1.png[1] ：欠陥画像と分類
...
141.png[1]：欠陥画像と分類
98.png[0] ：正常画像と分類