衣料生産のためのAI外観検査

本研究は、縫製ラインの品質管理における欠陥（broken stitches、skipped stitchesなど）を自動検出するためのAIベースの視覚検査システムを開発・検証したものである。具体的には、Convolutional Neural Networks (CNNs)を用いて縫製欠陥を検出し、黒色の布地と黒色の縫製糸で初期トレーニングを行い、その後、黒、赤、濃緑、水色、銀、蛍光黄の各色の布地で実験を行った。

従来の人手による検査は、疲労や主観的判断、一貫性の欠如により、欠陥の見逃しや手直し、生産効率の低下を招くという課題があった。本研究は、AIとCNNを導入することで、これらの人手検査の問題を解決し、縫製ラインの品質管理を自動化・高精度化しようとする点が新しい。特に、異なる色の布地に対する汎化性能を実験的に検証している点が特徴的である。

手法の核となるのは、CNNを用いた画像分類による縫製欠陥の検出である。システムは、まず黒色の布地と黒色の縫製糸のサンプルでトレーニングされ、その後、異なる色の布地（黒、赤、濃緑、水色、銀、蛍光黄）でテストされた。モデルの精度はトレーニングデータの多様性と、異なる布地・糸の色への汎化能力に強く依存することが示された。

実験は、黒、赤、濃緑、水色、銀、蛍光黄の6色の布地に対して実施された。その結果、ジャンプ縫製欠陥（jump sewing-line defects）は黒、赤、濃緑の布地で検出に成功したが、破れ縫製欠陥（broken sewing-line defects）や、水色、銀、蛍光黄など視覚的特徴が大きく異なる布地では性能の限界が観察された。これにより、モデルの精度がトレーニングデータの多様性と汎化能力に強く影響されることが確認された。

本研究の結果から、CNNモデルの精度はトレーニングデータの多様性に強く依存することが示された。特に、トレーニングで使用されていない色（水色、銀、蛍光黄）や、破れ縫製欠陥のような特定の欠陥タイプでは性能が低下した。これは、実用化に向けては、多様な色や欠陥タイプを含む大規模なトレーニングデータセットの構築が必要であることを示唆している。また、本研究は特定の条件下での検証に留まっており、実際の生産ラインでの長期的な性能や、他の欠陥タイプへの適用可能性については要旨からは不明である。

要旨で参照されている先行研究や関連手法は明示されていないが、同分野の定番として、物体検出や画像分類におけるCNNアーキテクチャ（例：ResNet、YOLO）や、データ拡張（data augmentation）による汎化性能向上の研究が挙げられる。また、縫製欠陥検出に特化した研究や、産業用AI検査システムの事例を調査することが次のステップとして考えられる。