画像認識とは？AIを使った仕組みと最新の活用事例

Q: 画像認識技術はどんなことに使われている？

身近な例を挙げると、 無人レジ、車の自動運転、Instagramなどの製品に使われています。

最終更新日:2024/12/24

画像認識AIの仕組みと活用事例

近年は、さまざまな分野でAI・人工知能が積極的に導入され始めています。その中には「AIを用いなければ実現できない技術」も多く、もはや私たちにとってAIは欠かせない存在と言っても過言ではありません。

そんな中、AIを活用したサービスとして「画像認識」に注目が集まっているのをご存知でしょうか。今回は、この「画像認識」の仕組みについて詳しく解説していくとともに、活用事例もご紹介していきますので、ぜひ参考にしてみてください。

画像認識のサービス比較と企業一覧

画像認識とは？

「画像認識（Image Recognition）」とは、画像に映る人やモノを認識する技術です。「画像に何が写っているのか」を解析します。画像認識はパターン認識の一種で、近年は深層学習（ディープラーニング）という手法によってさらに精度が向上してきており、多様な分野での導入が進んでいます。

人間の場合であれば、過去の経験をもとに「画像に写っている人（物）が誰（何）なのか」を判別することが可能です。しかし、コンピューターには人間のように「蓄積された経験」が存在しないため、経験を活かして画像に写っている人（物）を認識するという作業はできませんでした。

ただし、AIを活用すれば、コンピューターも数多くの画像データから人（物）の特徴などを学習できるようになります。そのため、学習データをもとにして「画像に写っている人（物）の識別」を行えるようになるのです。

この画像認識の技術は、すでにさまざまな分野での活用が進んでいます。例えば、防犯の分野では、IoTと組み合わせて「防犯カメラの映像から人物を割り出すこと」が可能になります。そのため、従来よりも犯人の特定を早めたり、未然に何かしらの事件を防いだりするわけです。

画像認識の歴史

画像認識は、ディープラーニング（深層学習）の登場によって注目を集めるようになったわけですが、その歴史は意外と古く、技術自体も昔から存在しています。最近では、画像認識に「機械学習」というパターン認識技術が当たり前のように用いられており、そこにディープラーニングも加わることで高い精度での画像認識が実現可能になりました。

しかし、コンピューターが画像を認識するのは決して簡単なことではありません。照明の明るさ、ピントのずれ、対象物の向きなど、さまざまな影響を受けやすいからです。では、どのような経緯で画像認識の精度は高まってきたのでしょうか。歴史とともに振り返ってみましょう。

最も古い画像認識は「バーコード」

画像認識技術として最も古いといわれているのは、1940年代に活用され始めた「バーコード」です。バーコードとは、バーとスペースの組み合わせによって、数字や文字を機械が読み取れるように表現したものを指します。さまざまな商品のパッケージに記載されているので、多くの方がすぐにイメージできたのではないでしょうか。そんなバーコードは、バーコードスキャナと呼ばれる光学認識装置によって読み取ります。

これを画像と呼ぶにはあまりにもシンプルすぎるかもしれませんが、画像のパターンから情報を読み取っているという点を踏まえれば、立派な画像認識といえるでしょう。

画像の比較を行う「テンプレートマッチング」

これまでの画像認識では、テンプレートマッチングを使用するのが一般的とされていました。テンプレートマッチングとは、画像に映っている物体の位置を検出する「画像検出」という技術のひとつです。この方法では、検出したい物体の画像そのものをテンプレートとして、対象画像の一部分との類似性を、その領域をスライドしながら比較していきます。これによって、「対象となる物体が画像内のどこに映っているのか」「いくつ映っているのか」といった情報を抽出することが可能になるわけです。

しかし、この方法は決して完全なものではなく、照明による変化が大きい場合など、テンプレート画像からの変化が激しいケースではどうしても認識率が下がってしまう傾向にあります。また、認識したい対象物ごとにテンプレートが必要となるという点も、大きな課題だったといえるでしょう。

画像認識の精度を飛躍的にアップさせた「ディープラーニング」

2000年代に入ると、計算機の技術が発展したことで、データの処理速度も大幅に向上していきました。そして、この変化によって、大量の画像データを用いた機械学習による画像認識が実現可能となったのです。画像認識技術は、これまでのような人手によるルールやモデル構築といったものから、パターン認識へと移行していったわけです。

さらに2012年には、ディープラーニングが登場したことで世界に大きなインパクトを与えました。ILSVRCという画像認識コンテストにおいて、カナダ・トロント大学のヒントン教授が率いるチームが開発した「AlexNet」が画像認識に対して初めてディープラーニングを活用し、前回のコンテストの優勝記録の誤り率から4割ものミス削減に成功したのです。

また、その一方ではGoogleが2012年に「ディープラーニングによってAIが自動的に猫を認識する技術」を発表し、大きな注目を集めました。このように、ディープラーニングは画像認識という領域において大きな成果をあげており、その能力の高さも世界に見せつけています。そして、2016年にはアルファ碁が登場したことで第三次AIブームが到来し、最近では産業界でも実用化するケースが多くなってきている状況です。

画像認識の種類

【業界別】画像認識AIカオスマップ2023を公開！

画像に写る代表的な物体を出力する「物体認識」
画像に写る物体を識別し、位置を特定する「物体検出」
画像に写った物体の説明文を出力する「画像キャプション生成」
画素ごとに識別を行う「セグメンテーション」
人間の顔を特定する「顔認識（顔認証）」
画像に写る数字や文字を識別する「文字認識（OCR）」

コンピュータ上で行われる画像認識は、人間の脳とは仕組みが異なります。人間のように「視覚」で認識するのではなく、オブジェクトの抽出やピクセルデータの処理といった複雑な処理が必要になるのです。

そんな画像認識は、画像の種類によって対象物の「形状」「色」「複雑さ」「データ数」などで差が生じることから、画像認識はいくつかの種類に分けられています。これはつまり、扱う画像データによって技術領域を分類しているということです。では、具体的にどのような種類が存在するのでしょうか。ここからは、画像認識の種類と機能を見ていきましょう。

「画像認識AIカオスマップ2023」を資料請求する

画像に写る代表的な物体を出力する「物体認識」

（参照：ImageNet Classification with Deep Convolutional Neural Networks）

物体認識（物体識別）とは、対象の物体と同一の物体が画像内に存在するかどうかを検証する技術のことです。画像に映っている物体のカテゴリを特定するなど、画像に含まれている物体の情報を抽出することができます。この物体認識においては、「物体検出」という技術が重要視されており、物体認識と物体検出はそれぞれ区別して使用されます。

画像に写る物体を識別し、位置を特定する「物体検出」

（参照：You Only Look Once: Unified, Real-Time Object Detection）

物体検出とは、画像内に含まれる対象の物体の位置を検出するための技術です。物体認識とは実行方法が異なりますが、対象となる物体の特徴を抽出する際に、その物体の「位置」も重要になるため、物体認識と併用されるケースが多いです。

画像に写った物体の説明文を出力する「画像キャプション生成」

（参照：Show and Tell: A Neural Image Caption Generator）

画像キャプション生成とは入力した画像内に何が映っていて、映るものがどのような状況かを判別し説明文を出力するものです。CNNと自然言語処理（RNN）を組み合わたもので、Microsoftが開発する視覚障碍者向けのカメラアプリ「Seeing AI」などで活用されています。

画素ごとに識別を行う「セグメンテーション」

（参照：Panoptic Segmentation）

セグメンテーションとは、画像のピクセル（画素）ごとに「どの物体クラスに属するか」という基準で分類していくタスクを指します。画像全体を対象にするセマンティックセグメンテーション、物体検出した領域を対象にするインスタンスセグメンテーション、画像全体を対象に個々の物体はそれぞれ分離して背景などはひとまとめにするパノプティックセグメンテーションなど様々な手法があります。

人間の顔を特定する「顔認識（顔認証）」

■画像認識とは｜人工知能を搭載した製品・サービスの比較一覧・導入活用事例・資料請求が無料でできるAIポータルメディア

顔認識（顔認証）とは、人間の顔画像から目立つ特徴を抽出していく技術です。この技術を利用することによって、顔の識別を行ったり、似た顔の検索を行ったり、顔のグループ化を行ったりすることができるようになります。

また、最近では人間の表情から感情を読み取る「感情認識」の研究も進められている状況です。

画像に写る数字や文字を識別する「文字認識」(OCR/ICR)

OCR

文字認識（OCR）は、紙に書かれている手書きの文字や、印刷された文字などを判別する技術です。この技術を用いれば、画像内のテキストを抽出することができるようになります。文字認識は古くから研究が行われている分野ですが、最近では翻訳技術と組み合わせたシステムが登場するなど、さまざまな利用用途が存在する技術でもあります。

ディープランニングを利用した画像認識の仕組み

画像認識では、CNN（畳み込みニューラルネットワーク）というネットワークモデルが頻繁に使用されます。このニューラルネットワークは、人間の脳内の神経回路網を表したニューラルネットワークの発展版であり、画像のピクセルデータを人間が抽象ベクトルに変換することなく、画像データのままの状態で特徴を抽出させるという特徴があります。そんな畳み込みニューラルネットワークでは、初めに画像データの一部分にフィルターをかけて演算し、その領域のスライドを繰り返していく「畳み込み」を行って特徴マップの生成を行います。この処理を行うことで、画像が持っている局所的な特徴の抽出が可能になるのです。

そんな畳み込みニューラルネットワークでは、初めに画像データの一部分にフィルターをかけて演算し、その領域のスライドを繰り返していく「畳み込み」を行って特徴マップの生成を行います。この処理を行うことで、画像が持っている局所的な特徴の抽出が可能になるのです。

そして、コンピューターは画像の特徴を繰り返し抽出して対象物の推測を行い、同時に正解データで答え合わせをしながら学習を重ねることで、画像認識の制度が向上されていくわけです。このような多層化されたニューラルネットワークの学習の仕組みを「ディープラーニング」と呼んでいます。

超解像と呼ばれるノイズの多い画像を高解像度にする手法にはGAN（敵対的生成ネットワーク）と呼ばれる深層生成モデルが利用されています。

画像認識AIの活用について無料で相談する

Pythonを使った画像認識

近年、画像認識などをはじめとするAIのプログラミング言語は、Pythonが主流になってきています。Pythonとは、少ないコードで簡潔にプログラムを書くことができるという特徴があり、専門的なライブラリが豊富にあることも魅力のひとつです。そんなPythonは、コードを書きやすく、かつ読みやすくするために生まれたプログラミング言語でもあるため、誰が書いても同じようなコードになります。つまり、汎用性のあるプログラミング言語であるということです。

また、PythonはWeb上にも数多くのライブラリが存在しています。既存のライブラリを活用することによって、より効率的に自分が作りたいプログラムを作成できるのは大きなメリットといえるでしょう。ちなみに、Pythonによって開発されたアプリケーションの代表例としては、YouTube、Instagram、DropBox、Evernoteなどが挙げられます。

なお、Pythonは機械学習を用いたソフトウェアの開発分野で多く活用されており、初めて機械学習を学ぶ人でも習得しやすい傾向にあるため、機械学習を学ぶ際の「基本のプログラミング言語」とも言われています。

その中でも「Pythonの画像処理100本ノック」は多くの人に利用されており、集中的に機械学習を学ぶことができるものとして重宝されています。Pythonの100本ノックには、ライブラリにフォーカスしたものやデータ分析などの目的からまとめたものなど、さまざまな種類があるため、自身の目的に合ったものを選択すると良いでしょう。

画像認識モデル構築の方法

実際に画像認識モデルを構築していくためには、まず適切な方法と手順を把握しておくことが重要になります。ここからは、画像認識モデル構築の方法を、手順ごとに詳しくみていきましょう。

1.データ収集・加工

機械学習を行わせる上では、データの収集・加工が必要不可欠です。大量の画像データをコンピュータに読み込ませることで、初めて機械が学習を行えるため、最も重要な工程といっても過言ではありません。

また、単純に大量の画像データを収集すれば良いわけではなく、データの「質」にもこだわる必要があります。「量」と「質」のいずれかが欠けてしまうと、理想的な画像認識の精度を実現できなくなってしまうため、注意しましょう。

2.ディープラーニングモデルの定義

データの収集や加工を終えたら、次にディープラーニングモデルの定義を行います。Tensorflow（Keras）を用いて画像認識モデルを構築する場合であれば、dataset.npyという数値配列からなるトレーニング・テストデータの作成後、そのdataset.npyを読み込み、畳み込みニューラルネットワーク（CNN）のモデルを学習・評価していきます。

3.実装・検証

データの前処理を終えたら、画像認識モデルの実装・検証を行っていきます。画像認識モデルには、得意な分野・不得意な分野が存在するため、目的に合わせて適切なモデルを選択することが大切です。画像認識を得意とするモデルを選択したら、適用するパラメータを設定していきます。

そして、モデル構築を終えたら検証を行いましょう。たとえば、画像データを「学習用」「テスト用」に分類し、テスト用の画像を想定通りに読み取ってくれるかどうかを評価していくことで、改善点を明確化しやすくなります。

4.再学習

検証結果を踏まえて、必要に応じた再学習を行うことも重要な作業の一つです。浮き彫りになった改善点を解消していくことで、より理想的な画像認識モデルを構築できるようになるため、検証と再学習は必要不可欠な工程といえるでしょう。

画像認識を使った無料アプリ・フリーソフト

■似合う髪型を人工知能が提案！「AI Stylist」｜人工知能を搭載した製品・サービスの比較一覧・導入活用事例・資料請求が無料でできるAIポータルメディア

（参照：「AI STYLIST – EARTH（アース）の髪型診断」をApp Storeで）

画像認識は私たちにとって身近な存在になりつつあり、最近では画像認識を使ったフリーソフトや顔認証を用いた無料アプリなどもリリースされています。その一つとして挙げられるのが、「AI Stylist」というアプリです。

AI Stylistは、ヘアサロン「Hair＆Make EARTH」を展開している株式会社アースホールディングスが提供しているAI搭載型のアプリです。この「AI Stylist」は、画像認識技術を用いることで、ユーザーに最適な髪型をアプリが提案してくれるというもの。その使い方は、ヘアスタイルなどを選択して自分の顔写真をスマートフォンで撮るだけなので、とても簡単です。

2020年3月にiOS版が先立ってリリースされ、すでにダウンロード数が5万を突破するなど、多くの注目を集めています。2020年8月にはAndroid版もリリースされたため、今後さらに多くのユーザーが活用するようになるのではないでしょうか。

この「AI Stylist」は髪型の提案だけではなく、似ている芸能人を判定する機能なども備わっています。比較対象はモデルや歌手、タレントなどで、男性557人、女性949人のデータが用意されているそうです。

今後は、これらの機能に加え、髪型を試すことができる「ヘアスタイルシミュレーション」という機能も実装される予定だといいます。

まずは無料で画像認識技術を体験してみてはいかがでしょうか。