食品製造現場における具材検査の自動化のための画像解析アルゴリズムの活用

食品具材の過不足・異物の自動検査

食品具材の過不足・異物の自動検査は、弁当や惣菜、調理済み食品などの盛り付け工程で、規定どおりの具材が入っているかをライン上で確認する用途です。ベーコンやブロッコリーといった具材を所定の数量で入れる工程では、過不足の確認に加え、髪の毛などの異物が混入していないかの確認も求められます。

従来はラインに張り付いた作業員が目視で過不足や異物を確認してきました。しかし規定量の不足を恐れて多めに盛り付けると材料ロスが生じ、見逃しはクレームや品質低下につながります。さらに食品製造では短期間でメニューが切り替わるため、検査の基準となる正解そのものが品目ごとに変わります。

本用途では、ライン上を流れる全数をカメラで撮像し、具材の個数や面積から過不足を、規定具材の欠品を、混入した異物を画像解析で判定します。判定に用いた画像を記録として残すことで、後からの事実確認にも対応します。

食品の外観検査における課題

食品の外観検査の現場では、人の目に依存した判定が中心となり、見逃しなどのヒューマンエラーや作業員ごとの基準のばらつきが課題となります。検査の記録が残りにくく、後からの事実確認やトレーサビリティの確保が難しい点も指摘されます。これを補うはずの従来型のAIも、少量のデータでは精度を出しにくく、未知の異常を見逃しやすいという限界がありました。

メニュー変更とデータ不足

食品製造では数週間単位でメニューが切り替わることが多く、品目ごとに検査の正解が変わります。従来型AIで対応しようとすると学習に時間とコストがかかり、学習が終わる前に対象が入れ替わってしまうため、自動化が難しいという課題があります。

過剰投入による材料ロス

規定量の不足を避けたい心理から、作業員が具材を多めに盛り付けてしまう傾向があります。過剰な投入は材料ロスにつながり、一方で見逃しは品質低下やクレームの原因となるため、目視に依存した判定では品質を一定に保ちにくいのが実情です。

画像解析アルゴリズム Human Sense AIによる解決

教師データに頼らない解析

Human Sense AIは、人が目で見て脳で判断するプロセスをベースとした独自開発の画像解析アルゴリズムです。大量の教師データを学習させる必要がないため、メニューが頻繁に変わる現場でも、品目ごとに長い学習期間をかけずに検査を始められます。これまで発生していない不定形な異常や、種類の多い具材にも対応できます。

重なりを見分ける個数解析

ベーコンのように具材が重なっていると、正面からの目視では枚数の判別が難しくなります。Human Sense AIは、具材の重なりによって生じる「影」や形状をロジックで解析することで、重なった具材の数や面積を捉え、規定どおりの量が入っているかを判定します。教師データを用意しなくても、具材の過不足を正確にカウントできます。

異物と欠品の同時検出

規定の具材が足りない欠品と、混入した異物を同時に検出できます。異物検出は二段構えで、本来あるはずのない「塊」を捉える解析と、髪の毛のような「黒い線状のもの」を捉える解析が動作します。線状の異物は、明るさの絶対的なしきい値ではなく、周辺と比べて暗いラインがあるかどうかで判定するため、明るい背景でも暗い背景でも検出できます。

判定根拠の可視化と記録

判定の根拠が明らかで、候補の抽出から精査、最終判定までの処理過程を確認できる設計です。結果がブラックボックスにならないため、現場で納得感のある運用ができます。さらに、検品した画像を全数記録として保存できるため、クレームが発生した際に過去の製造状況を遡って事実確認することが可能です。

Human Sense AI活用による期待効果

Human Sense AIを活用することで、食品具材の検査において以下の効果が期待できます。

適正量管理による材料ロス削減

作業員の感覚に頼った過剰な投入を抑え、規定どおりの適正量での製造管理につなげられます。具材の過不足を画像で正確に捉えることで、材料のロスを減らし、品質を一定に保つことが期待できます。

トレーサビリティの確保

検品結果やNGの理由、当時の画像をデジタルデータとして記録できるため、品質管理の信頼性向上が見込まれます。クレームが発生した際にも、過去の製造状況を遡って原因を追跡しやすくなり、対応の迅速化につながります。

検査基準の標準化と脱属人化

判定の根拠が明確なロジック解析に基づくため、作業員ごとの基準のばらつきを抑え、検査品質の均一化が期待できます。属人的な目視判定に依存しない仕組みとすることで、誰が担当しても安定した検査を行いやすくなります。