The Doppler Quarterly (日本語) 夏 2018 | Page 16

第 1 の目標は、エッジでローカルに実行できる ( 工場のフロアや制御センターをシミュレー
ション ) 分析モデルをトレーニングするクラウドベースの機械学習の活用を示すことです。
作成したこの展示モデルは、次の 3 つの対象を見つけるために設計されています。
• 火
• 煙
• レガシーのアナログゲージモニター
展示ホールのフロアで実際の火や煙を出すわけにはいかないので、本物に見える LED ラン
プと霧を出す加湿器を使用してシミュレーションしました。アナログゲージを監視する機能
は本物を使いました。これは一見して平凡な機能のようですが、来場者から広く反響があり
ました。
多くの来場者は、レガシー産業システムを導入しており、数十年を経過しているものもありま
した。これらはリスクが高すぎて変更できない、難しくて最新のセンサーを備えた装置で現
実的に改修できないということです。現実的な条件では、人間がこれらのゲージを監視する
ことは難しすぎます。一方、ビデオ分析は連続で実行できます。注意をそらしたり、睡眠が必
要になることも、トイレやコーヒーの休憩をとることもありません。
ゲージを監視し、
「レッドライン」イベントなどの異常状態がないかを警戒するためにビデ
オ分析をトレーニングすることが、非常に有用な機能であることが実証されました。さらに、
ゲージの針のビデオイメージをアナログ/ デジタル値に変換することによって、実際の数値
データ ( 温度、 RPM、圧力など ) を「抽出する」ことができました。モーターの回転速度は ?
危険値を 15％超えているか ? 不安全なレベルにまで圧力が上昇 / 低下しているか ? これら
の問題などに、最新式のセンサーがなくてもすべて応えることができます。ほんとうにかなり
便利なものです。
デモの構築
デモに含まれるアーキテクチャーとソリューションコンポーネントを見てみましょう。
データサイエンティストのチームなしで、このデモでビデオ分析に機械学習を利用するカギ
は、転移学習と呼ばれる手法を利用することです。これは、学習済みモデルを出発点として
使ってイメージの特徴を抽出し、新しいグラフをトレーニングする手法です 1 。このソリュー
ションの学習済みモデルは、 Inception-v3 と呼ばれる、深層畳み込みニューラルネットワー
14 | THE DOPPLER | 2018 年夏号