コンピュータビジョンとは｜画像分類・物体検出とIoT

コンピュータビジョンは、画像や映像を入力にして、そこに 何が・どこに・どんな状態で 写っているかを取り出す技術の総称です。人間の視覚がしている「見て分かる」をコンピュータで行う分野と言えます。

以前は、エッジ（輪郭）や色などの特徴を人が設計して取り出す方法が中心でした。2012年に、大規模な画像データセット ImageNet を使った画像認識の競技会で、深層学習（CNN）を使った手法が大きく精度を上げたことをきっかけに、深層学習が主流になりました。深層学習そのものは ディープラーニングとは で解説しています。

画像の入口であるカメラの仕組み（光を電気信号に変えるイメージセンサ）は、CMOSイメージセンサとは で整理しています。CV は、センサが作った画像を「意味」に変える側の技術です。

タスクの違いは、「出力が何か」で比べると区別しやすくなります（当サイトの整理）。

試験では「位置まで分かるのはどれか」「画素単位で分けるのはどれか」のように、出力の違い で問われると考えておくと対応しやすくなります（推定）。

1. 1撮影: カメラ（イメージセンサ）が光を画像データに変えます。
2. 2前処理: 大きさをそろえる、明るさやゆがみを補正する、ノイズを減らすなどの処理をします。
3. 3推論: 学習済みのモデルに画像を入れ、分類・検出などの結果を得ます。
4. 4後処理と判断: 結果を集計したり、しきい値と比べたりして、「異常あり」などの判断にします。
5. 5送信と活用: 判断や集計の結果をクラウドに送り、通知・記録・分析に使います。

推論をどこで行うかが IoT の設計の要点です。映像をそのままクラウドへ送ると通信量が大きく、遅延も生じます。そのため、カメラやゲートウェイの近くで推論し、結果だけを送るエッジAI の構成がよく選ばれます。詳しくは エッジAIとは を参照してください。

• ✓プライバシー: 人が写る映像は個人情報に当たる場合があります。撮影していることの掲示、必要な範囲だけの撮影、映像を残さず結果だけを保存する設計などを検討します。
• ✓環境の変化: 明るさ、天候、カメラの汚れや向きのずれで精度が落ちます。現場での検証と定期的な見直しが必要です。
• ✓学習データの偏り: 学習に使った画像と違う条件（別の製品、別の季節）では、精度が下がることがあります。
• ✓誤検知と見逃し: どちらを減らすかで、しきい値の決め方が変わります。検査では見逃しの害が大きいことが多いです。

CV の開発では、画像処理のオープンソースのライブラリ OpenCV などがよく使われます。用語の理解を問題で確かめるなら IoT基礎の無料お試し も使えます。

• ✓画像分類と物体検出: 分類は画像全体に1つの答え、検出は物ごとの位置と種類です。1枚に複数の物が写る場面では検出が必要になります。
• ✓物体検出とセグメンテーション: 検出は枠（四角）で位置を示し、セグメンテーションは画素単位で形まで分けます。
• ✓イメージセンサと CV: イメージセンサは光を信号に変える部品、CV は画像から意味を取り出す技術です。
• ✓エッジで処理すれば個人情報の問題は無い: 送る量や漏れる機会は減りますが、撮影そのものの扱いは別に考える必要があります。