高周波エンジニアのためのAI・機械学習入門（GPU編26）異常検知として、良品のみで学習して不良品を見つける畳み込みオートエンコーダー(Convolutional Autoencoder)をPythonとKerasでバンドパスフィルタを題材にやってみる。

前回はDNN系のオートエンコーダをやってみた。今回はCNN系のをやってみよう。

コードはこちら。

import os

os.environ["KERAS_BACKEND"] = "jax"

import keras

import numpy as np

import matplotlib.pyplot as plt

from jax import config

config.update("jax_enable_x64", False)

plt.rcParams['font.family'] = 'Noto Sans CJK JP'

data_label = np.load("G_NG.npz")

data = data_label["data"].reshape(-1,200,5,1)

label = data_label["label"]

# GとNGを分割

g_data = data[label[:, 0] == 1]

ng_data = data[label[:, 0] == 0]

# Convolutional Autoencoder

inputs = keras.Input(shape=(200, 5, 1))

x = keras.layers.Conv2D(64, kernel_size=(10, 2), activation="relu", padding="same")(inputs)

x = keras.layers.Conv2D(32, kernel_size=(10, 2), activation="relu", padding="same")(x)

x = keras.layers.Conv2D(16, kernel_size=(10, 2), activation="relu", padding="same")(x)

x = keras.layers.Conv2D(32, kernel_size=(10, 2), activation="relu", padding="same")(x)

x = keras.layers.Conv2D(64, kernel_size=(10, 2), activation="relu", padding="same")(x)

outputs = keras.layers.Conv2D(1, kernel_size=(10, 2), activation="linear", padding="same")(x)

model = keras.Model(inputs=inputs, outputs=outputs)

model.compile(loss = 'mean_squared_error' ,optimizer=keras.optimizers.Adam())

model.summary()

# 学習

epochs = 1000

keras.utils.set_random_seed(1)

history = model.fit(

    g_data, g_data,

    batch_size=128,

    epochs=epochs,

    validation_split=0.15,

    verbose=1

)

# 予測

g_pred = model.predict(g_data)

ng_pred = model.predict(ng_data)

# MSEの計算

loss = keras.losses.MeanSquaredError(reduction = "none")

# GとNGのMSEを計算

ng_accuracy = loss(ng_data, ng_pred).mean(axis=1).mean(axis = 1)

g_accuracy = loss(g_data, g_pred).mean(axis=1).mean(axis = 1)[:ng_accuracy.shape[0]]

# MSEの分布の可視化

plt.figure(figsize=(10, 6))

plt.hist(np.log10(ng_accuracy), bins=50, alpha=0.5, label="NG")

plt.hist(np.log10(g_accuracy), bins=50, alpha=0.5, label="G")

plt.legend()

plt.xlabel("log10(MSE)")

plt.ylabel("Frequency")

plt.title("Distribution of MSE for G and NG")

plt.show()

良品で予測したときの誤差と、不良品で予測した時の誤差をヒストグラムにしたものが出てくる。

重なっている部分はあるものの、閾値を-6.42とかにすると不良品が検知できそうだ。なるほど。