高周波エンジニアのためのAI・機械学習入門（GPU編25）異常検知として、良品のみで学習して不良品を見つけるオートエンコーダー(Deep Autoencoder)をPythonとKerasでバンドパスフィルタを題材にやってみる。

Interface誌を読んでいると、オートエンコーダを使うと良品だけで学習して異常検知できることを知った。

さらにKerasブログで詳しく書いてくれている。

https://blog.keras.io/building-autoencoders-in-keras.html

そこでバンドパスフィルタを題材にしてみよう。

事例はこのとき使ったもの。

高周波エンジニアのためのAI・機械学習入門（GPU編12）教師あり学習でバンドパスフィルタ（BPF）の中心周波数ずれのG／NG判定をPythonとKeras 3.0を使って畳み込みニューラルネットワーク（CNN）で行う。

使うデータはこんな感じになる。

ではオートエンコーダーを書いてみよう。

コードはこんな感じで。

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"]

label = data_label["label"]

# GとNGを分割

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

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

# Deep Autoencoder

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

x = keras.layers.Flatten()(inputs)

encoded = keras.layers.Dense(256, activation='relu')(x)

encoded = keras.layers.Dense(128, activation='relu')(encoded)

encoded = keras.layers.Dense(64, activation='relu')(encoded)

encoded = keras.layers.Dense(32, activation='relu')(encoded)

decoded = keras.layers.Dense(64, activation='relu')(encoded)

decoded = keras.layers.Dense(128, activation='relu')(decoded)

decoded = keras.layers.Dense(256, activation='relu')(decoded)

decoded = keras.layers.Dense(200 * 5, activation='linear')(decoded)

outputs = keras.layers.Reshape((200, 5))(decoded)

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

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

# 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)

g_accuracy = loss(g_data, g_pred).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()

良品のみで学習して、不良品を予測した時の誤差を指標にする。ヒストグラムをプロットしたものがこちら。

ちょっと重なっている部分があるが、なるほど結構分離されている。使えるかもしれない。

次は畳み込みオートエンコーダをやってみよう。