AIを活用して　食品工場などにおける目視検査を効率化する方法

White Paper AIを 活用して 食品工場などにおける 目視検査を効率化する方法

目次 １．イントロダクション ２．現場の抱える問題点 ３．AIを活用した解決策 ４．ケーススタディ ５．まとめ 2

１．イントロダクション あらゆるメーカーにおいて不良品出荷を低減することは重要なテーマの１つ。 この目標を達成するためには検査工程の強化が必要ですが、食品のように個体 差が大きなものが対象となる場合、“しきい値”（線）で判定する従来のカメラ 検査システムで自動化を実現するのは難しく、人手に頼らざるを得ないケースが 多くみられます。 ですが、目視検査は緊張を強いられる過酷な作業であるため、安定した検査品 質を保つことは難しく、また長時間続けての作業は従業員にとって負担の大きな ものとなります。さらに、検査結果がデータに残せないことから、トレーサビリティの 観点でも問題があると言えます。 従来のカメラ検査では難しかった個体差の大きな対象物の検査。 この応用を必要とするような判定、実はAIの得意分野です。 AI画像判定を活用することで、これらの課題を解決できます。 3

２．現場の抱える問題点 現在、均一な対象物の大量生産ラインなどにおいて、検査工程のシステム化が 一部で先行して進んでいます。ですが、多くの工場、特に食品のように個体差が でるものの製造において、検査工程は人手で行われています。 多 人手による目視検査 少 カメラを用いた検査 • 判定基準が曖昧なものの判定 • 均一な対象物の判定 得 • 個体差が大きなものの判定 得 • 長時間対応 意 意 • トレーサビリティ対応 • つい見落とし • 画像処理技術がないと、パラメータ 課 • 精度が作業者に依存 課 設定が難しい 題 • 長時間による高負担（働き方改革） 題 • 個体差のある対象物に対応できな 人手不足 い • トレーサビリティに対応できない 従来のカメラを用いた検査は、個体差のある対象物の検査が苦手。 個体差のある対象物の目視検査のシステム化が進まない！ 4 ▼ ▼

３．AIを活用した解決策 人工知能とは、人間にしかできなかったような高度に知的な作業や判断をコンピュータを中心とする人工的なシステムにより行える ようにしたもの。大量のデータから規則性やルールを学習し、与えられた課題に対して推論や回答、情報の合成などを行う機械学 AI 習を基礎とするものが主流となっている。 ※IT用語辞典e-Words「人工知能【AI】」より一部抜粋 とは？ （人工知能） つまり、曖昧なものをルール化し、それに基づいて判別 （推論）することはAIの得意分野です！  AIを用いた画像判定のイメージ 正常品の学習 判別モデルの形成 判別モデルを基に判別 NG 画 像 前 良品 処 理 NG 5

３．AIを活用した解決策 AIを活用すれば人手による目視監視自動化の課題を解決できます！ 人手 カメラ検査 AI画像判定 均一な対象物の判別 ◯ ◯ ◯ 個体差のある対象物の判別 ◯ ☓ ◯ 判別品質の安定性 ☓ 自 ◯ ◯ 長時間対応 ☓ 動 化 ◯ ◯ トレーサビリティ ☓ ◯ ◯ 導入の容易さ － ☓ ◯ 個体差のある対象 AIが曖昧さを含む人間による判定を機械学習してルール化。 物の判別 人並みの応用度の高い判別が可能。 導入の容易さ 判定基準はAIが機械学習して自動でルール化。 高度な画像処理技術の知識を要するパラメータ設定が不要。 6 ▼

３．AIを活用した解決策 特長①：現場のリアルタイムAI画像判定 AI画像判定サービス • エッジ端末で、現場でリアルタイムに画像判定。 • 人の目に頼らず、AI技術（ディープラーニング）と独自の前処 本サービスで出来ること 理技術を用いて複雑なパターンも人並みに精度よく自動判定。  • AIや画像処理の専門知識がなくても、GUIから簡単に最適化 異常の検知 レベル判定 分類 の実行が可能。 特長②：使えば使うほど賢くなる、当社独自技術 • 正常な画像のみで、異常や不具合を判定可能。 適用例） 適用例） 適用例） • 類似度の低いものを自動抽出。データ分類の手間を削減。 ・工業製品のキズ検出 食品加工における不具合判定 粗大ゴミの分類 ・ドローン画像を用いた施設点検 （火加減自動調整） • サンプル画像の自動生成技術で、画像収集にかかる時間を 短縮。  システム構成 現場 画像前処理技術 学習用 撮影した画像に特別な加工を加えることで、特徴点を際 カメラ 検査 画像データ クラウド 立たせ、高精度の判別を実現します。 ・画像取得 ・判別 データ蓄積＆学習 エッジ端末 ・ログ送信 ・判別モデル作成 ・モデル管理 （GPU搭載）・判別結果表示 ・追加学習 ・画像閲覧 画像生成技術 判別モデル ・データ自動分類 少数の画像から自動で類似画像を生成することで、学習 用の大量の画像データ収集の手間を大幅に削減します。 7

４．ケーススタディ チョコレート入りビスケットの品質検査 検証 ビスケットの良品と各種不良品をAI分析によって画像判別 主に食品などの品質検査においては、良品でも個体差があり不良品も種類が多いため、画像判別のための パラメータ設定が非常に難しく、画像検査システムの導入が難しいと考えられていました。 検証イメージ 判別 ディープラーニング 判 学習画像 による概念形成 別 用 ・・・ 画 正常 像 汚れ 画 画像前処理 像 前 割れ 処 判別モデル 理 はみ出し 判 別 結 正常 汚れ 欠け はみ出し (小) (半分) (大) ・・・ 果 判別が必要な種類 01.良品 04.汚れ（小） 07.はみ出し（大） ・ ・ 02.欠け（小） 05.汚れ（中） 08.印刷（小） 人による目視検査以上の 03.欠け（半分） 06.はみ出し（小） 09.印刷（中～大） 判別を実現！ 「不良品の判別が少ないと仕事していないように思われるから、極めて正常な グレーゾーンは取り除こう。」そんな人情から生まれる無駄も削減 8 ・・・

５．まとめ 目視検査工程において、人手による作業は品質の安定性、長時間対応、トレ ーサビリティの面で課題があります。 一方、一般的なカメラ検査では、これらの課題は解決できるものの、食品などの 個体差の大きな対象物には対応が難しいところがありました。 AI画像判定では、パラメータ設定（しきい値＝線）ではなく、機械学習によって 応用度の高い判別モデルを自動生成。それにより、人並みに個体差が大きな 対象物の判別を精度よく行うことが可能となります。また、安定した品質で長時 間検査を行うこともできます。 今後、目視検査工程の更なる作業効率化をお考えの食品工場におかれまして は、AI画像判定を活用した自動化が最適です。 まずは効果を確認しませんか？ お気軽に検証をご依頼ください。 9

2019年3月1日、「安川情報システム」は「YE DIGITAL」に社名を変更いたしました。 株式会社YE DIGITAL マーケティング本部IoTコンサルティング部 〒803-0003 福岡県北九州市小倉北区米町二丁目1-21 APエルテージ米町ビル TEL ：093-522-6563 Mail：marke@ye-digital.com ※記載している会社名・製品名は、各社の商標または登録商標です。 ※本掲載内容は、予告なく変更することがあります。