Inspection AX›PBS
PBS
Physically-Based Synthesis・物理ベース合成データ
物理ベース合成(PBS)によって光と物質の相互作用をシミュレーションすることで、生成AIによる確率的な画像ではなく、実物に近い欠陥学習データを生成します。

PBS
製造検査AIの現場適用を阻む壁、
学習データの不足
二次電池・電子部品・自動車部品の生産ラインでは、外観検査やX-Ray検査にAIを導入する現場が急速に増えています。
しかし、学習させたAIモデルを実際のラインに載せてみると、アルゴリズムの性能とは関係なく、まず学習データの壁に突き当たります。
不良(NG)サンプルの不足
不良(NG)サンプルはもともと少なく、検査項目が変わるたびにデータを集め直し、ラベリングし直す必要があります。
生成AIデータの限界
生成AIは確率に基づいてもっともらしい結果をつくりますが、対象の物理的な性質を反映できません。物理的な性質を反映した仮想データであってこそ、実データを代替する効果が期待できます。
生成AI vs 物理ベース合成(PBS)
形状はそのまま、欠陥と撮影条件だけを変えて
実際の撮影に近い学習データをつくります
| 項目 | 生成AIによる画像生成 | 物理ベース合成(PBS) |
|---|---|---|
| 生成方式 | テキストや例示画像をもとに新しいシーンを生成 | 3D形状・材質・照明の物理的特性を反映して画像を生成 |
| 強み | 高い創造的柔軟性により、多様なスタイルをすばやく生成可能 | 材質と照明の相互作用をシミュレーション計算・高い物理的精度とリアルな結果 |
| 限界 | 実際の物理的な正確性に欠ける・一貫した3Dジオメトリの実現が難しい | 手動設定と明示的な3Dモデルが必要 |
| 形状の一貫性 | 同じ部品に微細な欠陥だけを追加するには、形状の一貫性を保つための追加制御が必要 | 形状を維持したまま欠陥・撮影条件を変更 |
製造検査では、部品の形状を維持しながら欠陥と撮影条件を変えることが重要です。SNUAILAB Physically-Based Synthesisは、CAD形状と光・材質を反映するPBSをベースにしています。
SNUAILAB Physical-Synthetic
形状・材質から欠陥・照明、ラベルまで
一度に生成します
- 01
実製品に近い形状・材質
- CADと実製品の形状差を補正
- ディープラーニングによる表面材質情報の取得
- CADパーツの自動分類と材質マッチング
- 02
CADベースの欠陥生成・照明シミュレーション
- 3D形状を変更して欠陥を再現
- 照明条件を反映した合成画像の生成
- 03
ラベル自動生成・学習データとして活用
- 一貫性のあるラベルデータを画像とともに生成
- 自社・他社のディープラーニングソリューションの学習データとしてそのまま活用可能
多様な欠陥と撮影条件を反映し、製造検査AIの学習データを拡張します。
プロセス
CAD入力から
ラベル自動出力まで
- 01
CAD入力
CADの読み込み
パーツ分類・材質マッチング - 02
Gap補正
CAD–実物間の偏差と
表面粗さの補正 - 03
光学シミュレーション
照明・カメラ・レンズの
物理ベースレンダリング - 04
欠陥生成・ラベリング
形状変更による欠陥生成
ラベル自動出力
1つのCADから撮影角度や条件を変えながら、一貫した学習データを大量に生成します。
PBS
フォトリアリスティックな欠陥画像と
一貫性のある正確なラベルデータを同時に
- 100%正確で一貫したラベルを自動生成
- 3種類同軸・リング・面照明のシミュレーション
- CAD部品分類・材質マッチングの自動化
- Ready自社・他社のディープラーニング学習データとして直接使用
Core Technology
照明・カメラ・材質まで物理的に再現する
フォトリアリスティックな欠陥データ生成技術
Physically-based Rendering
光と物質の相互作用を物理演算で再現し、写真レベルのリアルな画像を生成
Computational Imaging
ディープラーニングベースのコンピュテーショナルイメージングにより、物体表面の材質情報を取得
Optical Simulation
同軸・リング・面照明、テレセントリックレンズ、フレア効果まで光学系をモデリング
Auto Labeling
欠陥ラベルを自動生成し、自社・他社のディープラーニング学習データとしてすぐに活用可能
生成事例・CADと実物のギャップ補償
CADと実製品の差を縮め、
合成画像のリアリティを高めます
CADは理想的な製品モデルであるため、実製品の材質特性や加工偏差・変形は反映されていません。ラウンディング(角の丸み)の有無、加工偏差、組立偏差など、イメージングに影響するギャップを検出して補償します。



生成事例・欠陥形状と観察角度
欠陥形状と観察角度を変えた
データ生成
製品の3D形状を変えて欠陥を再現し、さまざまな観察角度の合成画像を生成します。



生成事例・PBSによる3D破損面の生成
材質効果を適用して
リアルな破損面を生成します
破損部位の形状と表面の質感をあわせて表現します。


リアルな破損画像を生成し、製造検査AIの欠陥学習データとして活用します。
活用シーン
こんなときにPBSが必要です
- 01
データ不足
AIを導入したものの、学習データが不足しているとき
- 02
NGサンプルが僅少
不良サンプルが非常に少ないとき
- 03
頻繁な検査変更
検査項目が頻繁に変わり、種類も多いとき
適した現場:NGサンプルが少ない、または検査項目が頻繁に変わるライン