工業高校生向け「要件定義から始める傷検出AIアプリ開発」

製造現場で実際に使える傷検出AIアプリを、要件定義から開発まで体験する授業プログラムです。

📚 授業概要

• 対象: 工業高校2-3年生（プログラミング初心者）
• 時間: 全12時間（50分×12コマ）
• 目標: 要件定義から始めて、AIを活用しながら実用的な傷検出アプリを開発する
• 新規追加: AI画像生成技術の習得

必要な環境・準備物

• インターネット接続可能なPC（1人1台）
• Googleアカウント
• GitHubアカウント
• スマートフォン（グループに1台以上）
• 撮影用の部品や工具類（良品・不良品サンプル）
• 撮影ボックスと照明

🗂️ プロジェクト構成

vision-sys/
├── README.md（本ファイル）
├── googlecolab/
│   ├── 01_teachable_machine_体験.ipynb     # Teachable Machine入門
│   ├── 02_傷検出AI開発.ipynb               # Teachable Machine実践版
│   └── 03_傷検出AI開発_シンプル版.ipynb    # TensorFlow直接実装版
├── codespaces/                     # GitHub Codespaces用実行スクリプト
│   ├── README.md                   # Codespaces使用ガイド
│   ├── 01_github_basics/           # GitHub基礎実習
│   ├── 02_ml_intro/               # 機械学習入門実習
│   ├── 03_teachable_machine/      # Teachable Machine実習
│   ├── 04_requirements/           # 要件定義実習
│   ├── 05_app_dev/               # アプリ開発実習
│   └── 06_image_generation/       # AI画像生成実習
├── kaggle_notebooks/              # Kaggle Notebook用スクリプト
│   ├── README.md                   # Kaggle使用ガイド
│   ├── 01_ml_intro_kaggle.py      # 機械学習入門
│   ├── 02_teachable_machine_kaggle.py  # Teachable Machine
│   ├── 03_damage_detection_kaggle.py   # 傷検出アプリ
│   └── 04_image_generation_kaggle.py   # AI画像生成
└── 授業テキスト/
    ├── 01_GitHub基礎.md          # GitHubの使い方
    ├── 02_機械学習入門.md        # AIの基礎概念
    ├── 03_Teachable_Machine使い方.md  # ノーコードAI開発
    ├── 04_要件定義.md            # 設計の重要性
    ├── 05_アプリ開発.md          # 実装とデプロイ
    └── 06_AI画像生成入門.md      # Stable Diffusion活用

🎯 学習パス

初心者向けパス（Teachable Machine使用）

GitHub基礎 → 機械学習入門 → Teachable Machine → 要件定義 → アプリ開発

発展的パス（TensorFlow直接実装）

GitHub基礎 → 機械学習入門 → シンプル版開発 → 要件定義 → 高度なカスタマイズ

---

📋 授業計画

第1部：基礎スキルの習得（3時間）

第1時：GitHubの基礎を学ぶ（50分）

学習目標: GitHubでプロジェクト管理ができるようになる

授業内容:

1. GitHub学習サイトでの自習（30分）

   • https://itoksk.github.io/GitHub-demo にアクセス
   • 「基礎編 Day 1」を実施
   • 自分のリポジトリを作成

2. プロジェクト用リポジトリ準備（20分）

   • 「damage-detection-app」リポジトリ作成
   • フォルダ構造の作成

第2時：ディープラーニングで物体認識を体験（50分）

学習目標: AIの仕組みを理解する

授業内容:

1. Google Colabでの物体認識体験（30分）

   • VGG16モデルで画像認識
   • 特徴マップの可視化を体験
   • YOLOとOpenCVによる人物検出も体験

2. Teachable Machineでモデル作成（20分）

   • 簡単な分類モデルを作成
   • モデルのエクスポート方法を学ぶ

第3時：要件定義の重要性を学ぶ（50分）

学習目標: ソフトウェア開発における要件定義の重要性を理解する

授業内容:

1. 要件定義とは？（15分）
2. 要件定義書の書き方（20分）
   • 5W1Hで整理する
3. グループワーク：要件を考える（15分）

第2部：要件定義とAI活用開発（4時間）

第4時：詳細な要件定義書作成（50分）

学習目標: 実際の開発に使える要件定義書を作成する

第5時：AIを使った開発計画（50分）

学習目標: ChatGPTやClaude等のAIを開発パートナーとして活用する方法を学ぶ

第6-7時：データ収集とモデル作成（100分）

学習目標: 高品質なデータセットを作成し、AIモデルを構築

第3部：アプリ実装とデプロイ（3時間）

第8-9時：Google Colabでアプリ開発（100分）

学習目標: AIのサポートを受けながら、実用的なWebアプリを完成させる

第10時：AI画像生成入門（50分）

学習目標: Stable Diffusionを使ってAI画像生成の基礎を学ぶ

第11-12時：画像生成活用と発表（100分）

学習目標: 製造業でのAI画像生成活用を考え、プロジェクトの成果を発表する

---

🎯 学習の流れ

graph TD
    A[GitHub基礎] --> B[機械学習体験]
    B --> C[要件定義]
    C --> D[Teachable Machine/TensorFlow]
    D --> E[データ収集]
    E --> F[モデル作成]
    F --> G[アプリ開発]
    G --> H[発表・振り返り]

---

📝 要件定義書テンプレート

# 傷検出AIアプリ要件定義書

## 1. プロジェクト概要
- プロジェクト名：
- 目的：
- 期待される効果：

## 2. 機能要件
### 必須機能
- [ ] 画像アップロード機能
- [ ] 傷の有無判定
- [ ] 判定結果の表示

### あったら良い機能
- [ ] 傷の位置表示
- [ ] 判定履歴の保存
- [ ] 複数画像の一括処理

## 3. 非機能要件
- 判定速度：3秒以内
- 判定精度：90%以上
- 使いやすさ：説明書なしで使える

## 4. 制約条件
- 開発期間：6時間（授業3回分）
- 使用技術：Python、Teachable Machine/TensorFlow、Google Colab
- 対象部品：金属部品（10cm以下）

## 5. データ要件
- 良品画像：100枚以上
- 不良品画像：100枚以上
- テスト画像：各20枚

---

💡 AIを活用した開発のコツ

良い質問の例

私は工業高校生で、金属部品の傷を検出するAIアプリを作りたいです。
以下の要件があります：
- Teachable Machineで作ったモデルを使う
- Google Colabで動かす
- Gradioで簡単なUIを作る

まず何から始めれば良いですか？

プロンプトエンジニアリングの基礎

1. 背景を説明する: 自分の状況と目的を明確に
2. 具体的な条件を示す: 使用ツールや制約を明記
3. 段階的に質問する: 一度に全てを聞かない

---

💻 GitHub Codespacesでの実行

Codespacesの起動

1. GitHubでこのリポジトリを開く
2. 緑色の「Code」ボタンをクリック
3. 「Codespaces」タブを選択
4. 「Create codespace on main」をクリック

セットアップ

# Codespacesが起動したら実行
bash setup_codespaces.sh

各授業の実行方法

# 機械学習入門
cd codespaces/02_ml_intro
python codespaces_ml_intro.py sample.jpg

# Gradioアプリ
cd codespaces/05_app_dev
python gradio_app.py

# AI画像生成
cd codespaces/06_image_generation
python generate_image.py --prompt "industrial robot"

詳細は codespaces/README.md を参照してください。

Kaggle Notebookでの実行

# Kaggle.comでNotebookを作成
# 各スクリプトをコピー&ペーストして実行
# 詳細は kaggle_notebooks/README.md を参照

---

🔧 サンプルコードの使い方

1. Teachable Machine体験用（初心者向け）

googlecolab/01_teachable_machine_体験.ipynb

特徴:

• Teachable Machineで作成したモデルを簡単に試せる
• 画像のアップロード・撮影機能付き
• 結果を分かりやすくグラフで表示
• プログラミング知識がほとんど不要

適している場合:

• プログラミング初心者
• 短時間で成果を出したい
• AIの概念を体験的に学びたい

2. 傷検出AI開発用（実践向け）

googlecolab/02_傷検出AI開発.ipynb

特徴:

• Teachable Machineモデルを活用した本格的なアプリ
• データ収集から管理まで一貫したシステム
• Gradioによる実用的なWebアプリ
• バッチ処理や履歴管理機能
• 性能評価レポート生成

適している場合:

• 実用的なアプリを作りたい
• チーム開発を体験したい
• 製造現場での活用を想定

3. 傷検出AI開発シンプル版（発展的）

googlecolab/03_傷検出AI開発_シンプル版.ipynb

特徴:

• TensorFlow/Kerasを直接使用
• CNNの仕組みを理解できる
• モデル構造を自由にカスタマイズ可能
• 軽量で高速な実装
• 学習過程を可視化

適している場合:

• AIの仕組みを深く理解したい
• カスタマイズ性を重視
• プログラミングに興味がある
• 将来エンジニアを目指す

実装方法の比較

---

📊 評価基準

1. 要件定義書の完成度（25%）

   • 具体性と実現可能性

2. AIの活用度（25%）

   • 適切な質問と回答の活用

3. アプリの完成度（25%）

   • 要件を満たしているか

4. チームワーク（25%）

   • GitHubでの協働作業

---

🚀 発展学習

さらに学びたい人へ

• Raspberry Piを使った組み込みAI
• エッジコンピューティング
• リアルタイム画像処理
• 複数カメラでの3D認識
• 転移学習によるモデル改善
• データ拡張技術
• AI画像生成でのカスタムモデル作成
• LoRAやDreamBoothでの専門的な学習

実用化に向けて

• スマートフォンアプリ化
• リアルタイム検出（カメラ連携）
• 複数の欠陥種類の分類
• 検査履歴の記録システム
• クラウド連携
• IoTセンサーとの統合

---

📚 参考資料

オンラインリソース

• GitHub学習サイト
• Teachable Machine
• Google Colab
• TensorFlow チュートリアル
• Gradio ドキュメント

技術情報

• TensorFlow/Keras ドキュメント
• 画像認識の基礎理論
• CNNアーキテクチャ
• Python 基礎文法

---

🤝 サポート

困ったときは

1. まずAIに質問してみる（ChatGPT、Claude等）
2. エラーメッセージをそのままコピーして検索
3. GitHubのIssuesで質問
4. 先生やクラスメートに相談

よくある質問

Q: Teachable Machineからモデルをダウンロードする時は何を選べばいい？ A:

1. 「モデルをエクスポート」をクリック
2. 「Tensorflow」タブを選択
3. 「Keras」を選択
4. 「モデルをダウンロード」をクリック → keras_model.h5とlabels.txtの2つのファイルがダウンロードされます

Q: Teachable Machineとシンプル版、どちらを選べばいい？ A:

• 初心者・時間が限られている → Teachable Machine版
• プログラミングに興味がある・カスタマイズしたい → シンプル版

Q: モデルが読み込めない A: ファイル名が正しいか確認。Teachable Machine版はkeras_model.h5とlabels.txtが必要

Q: 画像認識の精度が低い A:

• データの質と量を確認（各クラス50枚以上推奨）
• 照明条件を統一する
• 背景をシンプルにする
• データ拡張を活用する

Q: Gradioが起動しない A: ライブラリのインストールを確認。!pip install gradio --upgradeを実行

Q: 学習が進まない・時間がかかる A:

• バッチサイズを小さくする
• エポック数を減らす
• 画像サイズを小さくする（128×128など）

---

🏆 プロジェクト例

過去の優秀作品

1. ネジ山損傷検出システム

   • 精度：95%
   • 特徴：360度回転撮影対応

2. 溶接部欠陥検出AI

   • 精度：92%
   • 特徴：複数の欠陥タイプを分類

3. 塗装ムラ検出アプリ

   • 精度：88%
   • 特徴：色差分析を組み合わせた判定

---

📄 ライセンス

このプロジェクトは教育目的で作成されています。 自由に改変・再配布可能です。

---

🙏 謝辞

本プログラムは、製造現場のニーズと教育現場の要望を基に作成されました。 ご協力いただいた全ての方々に感謝いたします。

---

📧 お問い合わせ

質問や改善提案は、GitHubのIssuesまたはPull Requestでお願いします。