画像データのAI処理時間を半減する新技術を開発：人工知能ニュース

日立製作所は、画像データのAI処理を高速化する「領域選択エンコード技術」を開発した。ビジョントランスフォーマーを用いた画像内の文字検索評価で効果を確認したところ、精度を維持したまま、処理時間を半減できた。

[MONOist]

　日立製作所（以下、日立）は2026年8月25日、画像データのAI（人工知能）処理を高速化する「領域選択エンコード技術」を開発したと発表した。

　画像を扱うAIモデルの基本構造の1つであるビジョントランスフォーマー（ViT）は、画像データの特徴量を生成（エンコード）する際に用いられる。領域選択エンコード技術は、特徴量の生成に当たって、画像全体を一律に処理するのではなく、必要と判定した領域のトークンのみを処理対象とすることでViTのデータ処理量を削減する。

　同社はAIモデルの分析により、多くの画像でAIモデルが注目する特定の「固定領域」があり、その領域に対応するトークンが精度の維持に関与していることを確認した。対象物が検出された領域に加え、この固定領域に対応するトークンを残して処理を実行する手法を採用することで、精度の維持と処理量削減の両立を可能にした。

　画像内の文字検索を想定した評価で同技術の効果を確認したところ、検索精度を維持しながら特徴量生成の平均処理時間を従来の半分に減らせることが分かった。

必要と判定した画像領域のみを処理する「領域選択エンコード技術」のイメージ［クリックで拡大］ 出所：日立

　同技術により、製品画像の不良検出や、保守現場の巡回画像から設備異常を検知するなど、画像や動画データを多用するOT（制御技術）分野でのAI処理高速化とGPUなどの計算資源削減が見込める。

　同社は今後、実際の利用シーンで同技術の価値検証を進め、画像や動画の利活用を支える既存AI基盤へ適用する。また、同社のAI主導型戦略構想「Lumada 3.0」の強化に向けた展開も検討していく。

　製造や保守の現場で画像データの活用が進む一方、画像認識や検索に用いられるViTは、画像全体を細分化して大量のトークンを一律処理するため、処理時間や計算資源の増大が課題となっていた。

⇒その他の「人工知能ニュース」の記事はこちら