AWS Lookout for Vision

Google Cloudの学習基盤やデータ連携と組み合わせて、欠陥検出モデルを継続的に学習・更新できます。

クラウドでモデルを学習し、エッジ向けコンテナで現場の検査端末へ配信する運用も選べます。

Google Cloud上のアカウント・課金・データ配置が前提になり、画像データをGoogle Cloudへ預ける運用設計が必要になります。

検査ラインの撮像機器やPLCとの接続は別途用意する範囲で、装置側の構成は自社や導入支援先で組み立てる前提です。

ノーコードに近い画面でラベル付けからモデル学習・端末配信までを一連で進められ、画像解析の専任者がいなくても着手しやすい構成です。

Maximoの設備保全データと検査結果を結び付け、不良の発生を保全・点検の業務フローへつなげられます。

Maximo基盤を前提とした製品で、保全管理を使っていない場合はライセンスや基盤の導入負荷が大きくなります。

検査専用のクラウドサービスと比べると、画像解析だけを小さく試す用途には構成がやや重くなります。

深層学習に強い国内ベンダーの製品で、微細な傷や形状ばらつきの判定精度を現場の検査基準に合わせて作り込めます。

ライン装置やカメラとの連携を含めて国内の体制で支援を受けられ、要件の擦り合わせを日本語で進められます。

撮像装置や照明、搬送系との連携設計を伴う導入が前提で、立ち上げまでの構築工数が見込まれます。

クラウドで即座に試せるセルフサービス型とは性質が異なり、検査ライン単位での個別調整が中心になります。

産業現場の目視検査をAIで置き換える用途に焦点があり、既存の検査ラインへ組み込む形での導入を国内のサポート体制で進められます。

現場の検査要件や合否基準に合わせて作り込む個別構築型で、既存設備を活かした構成を組みやすい点が特徴です。

個別構築が前提のため、要件定義や現地調整を含めると初期費用と期間が読みにくくなります。

標準化されたクラウドサービスのように、画面から自分でモデルを作って即運用する手軽さは想定しにくい構成です。