革の加工の工場が、革の表面を撮った画像から Python(scikit-image・scikit-learn)で傷・しみ・穴の候補を見つけ、裁断の前に避ける場所の印を付けた画像と一覧を作る
裁断の前の革を台に広げて真上から撮り、Python の画像処理と機械学習で傷・しみ・穴の候補を見つけます。避ける場所の印を付けた画像と、位置と大きさの一覧を、検反の担当が確かめる形で出します。
- 連携・自動化
- Python
- 対象業界
- 商社/製造
- 対象部門
- 品質管理/生産
- 対象業務
- 内容確認・チェック/記録・議事録作成
- 主な課題
- 人手が足りない/属人化している/確認ミスが多い
- AIで行う処理
- 画像認識
- 主な効果
- 品質標準化/属人化解消/工数削減
- 導入難易度
- ★★★★★
- 実装レベル
- 本格構成
- 費用感
- 個別開発(大)
- 人間の確認
- 条件付き
01導入前 / 導入後の業務フロー
- 革の入荷の台帳から、裁断する革を選んで台に広げる
- 斜めから光を当て、背・肩・腹の順に表面を見ていく
- 傷・しみ・穴を見つけたら、ペンで囲む
- 気になる場所があれば、ベテランの担当に見てもらう
- 検反の記録の紙に、革の番号と主な傷の数を書く
- 裁断の担当が、印を避けて型紙を置いて切る
- 人担当が革を台に広げ、革の番号を読み取り機で読む
- 自動台の上のカメラが、決めた照明で革を真上から撮る
- 自動Python が、台の色との差で革の輪郭を取り、輪郭の内側の抜けを穴の候補にする
- 自動輪郭の内側を小さな区画に分け、区画ごとに模様の特徴を計算する
- 自動学習したモデルが、区画ごとに正常・傷・しみ・自然の模様の確からしさを返す
- 自動傷・しみの区画をつなげて領域にし、小さすぎる領域を除き、避ける余白を足して位置と大きさを出す
- 自動避ける場所を色で描いた画像と、位置・大きさ・種類の一覧を、台の横の画面に出す
- 人担当が画面の候補を革の上で確かめ、印を足す・消す
- 人担当が、候補の無い場所からも決めた数の区画を抜き取って見る
- 自動確かめた結果を革の番号ごとに記録し、裁断の担当に画像と一覧を渡す
各工程の詳しい説明を読む
- 革の入荷の台帳から、裁断する革を選んで台に広げる
- 斜めから光を当て、背・肩・腹の順に表面を見ていく
- 傷・しみ・穴を見つけたら、ペンで囲む
- 気になる場所があれば、ベテランの担当に見てもらう
- 検反の記録の紙に、革の番号と主な傷の数を書く
- 裁断の担当が、印を避けて型紙を置いて切る
(a)1枚ずつ目で探す時間がかかる。 半裁の革は大きく、表面を端から端まで見るには時間がかかります。裁断の段取りが詰まっている日は、検反が裁断を待たせます。
(b)印の付け方が担当で違う。 ベテランの担当は、小さな擦れも血筋も見分けて、避けるべき傷だけを囲みます。慣れない担当は、迷った場所を全部囲み、裁断で使える場所が減ります。 逆に、見落とした傷は製品になってから見つかります。
(c)避けた場所の記録が残らない。 印はペンで革に付けるだけで、どの革のどこに何があったかは、裁断が終わると消えます。 タンナーに「最近の革は虫刺されの跡が多い」と伝えたくても、数字で示せません。
(d)ベテランの担当に相談が集まる。 迷った場所の相談は、血筋と傷を見分けられる数人に集まります。その数人が休むと、迷った場所を全部囲むか、裁断を待たせるかのどちらかになります。 見分け方は口で伝えるしかなく、新しい担当が一人で判断できるまでに長い時間がかかります。
(e)印が裁断の担当に伝わりにくい。 薄い色の革の上の銀のペンは見えますが、濃い色の革や、しみの縁の印は見えにくく、 裁断の担当が見落とすことがあります。
- 【人】 担当が革を台に広げ、革の番号を読み取り機で読む
- 【自動】 台の上のカメラが、決めた照明で革を真上から撮る
- 【自動】 Python が、台の色との差で革の輪郭を取り、輪郭の内側の抜けを穴の候補にする
- 【自動】 輪郭の内側を小さな区画に分け、区画ごとに模様の特徴を計算する
- 【自動】 学習したモデルが、区画ごとに正常・傷・しみ・自然の模様の確からしさを返す
- 【自動】 傷・しみの区画をつなげて領域にし、小さすぎる領域を除き、避ける余白を足して位置と大きさを出す
- 【自動】 避ける場所を色で描いた画像と、位置・大きさ・種類の一覧を、台の横の画面に出す
- 【人】 担当が画面の候補を革の上で確かめ、印を足す・消す
- 【人】 担当が、候補の無い場所からも決めた数の区画を抜き取って見る
- 【自動】 確かめた結果を革の番号ごとに記録し、裁断の担当に画像と一覧を渡す
8番と9番を人に残しているのが、この設計の要です。 モデルは候補を出すだけで、避けるかどうかは、作る部品を知っている人が決めます。 9番の抜き取りは、モデルの見落としの割合を測るための作業です。
革にペンで印を付けるかは、工場の裁断のやり方で決めます。 手で型紙を置く裁断なら、確かめた候補に従来どおりペンで印を付けます。画像と一覧を裁断の側で使える仕組みがあるなら、ペンの印を省けます。
02今回想定するシステム構成
台に広げた革(革の番号を読み取り機で読む) │ 決めた照明で真上から撮る ▼【トリガー】撮影のボタン/番号の読み取り 検査用のPC ▼ Python(scikit-image)── 輪郭・穴の候補、区画の特徴(LBP・同時生起行列) ▼ scikit-learn RandomForestClassifier │ 区画ごとの 正常/傷/しみ/自然の模様 の確からしさ ▼ Python(scikit-image)── 領域にまとめる、小さい領域を除く、余白を足す、mm で測る ▼ 避ける場所の画像と一覧(台の横の画面) ▼ 【検反の担当が確かめて印を直す】 ▼ 革の番号ごとの記録 → 裁断の担当へ
| 役割 | 想定する製品 | 代替候補 |
|---|---|---|
| 実行環境 | Python(scikit-image・scikit-learn) | - |
| 処理エンジン | scikit-learn の RandomForestClassifier(区画ごとの種類の判定) | scikit-learn の HistGradientBoostingClassifier、torchvision の Mask R-CNN |
| 集計 | Python(領域の測定、避ける余白、見落としの割合) | 表計算の計算式 |
| 保管 | 社内のファイルサーバー(画像、候補、担当の確かめの結果) | - |
新しく足すのは、カメラと照明、検査用のPC、Python の処理です。 革の入荷の台帳と裁断の指示書は、これまでどおり使います。確かめた結果は、革の番号ごとのファイルとして書き出し、入荷の台帳には書き込みません。
深層学習ではなく、模様の特徴と決定木の森を使います。 天然の革の傷・しみは、形よりも表面の模様(きめ)の乱れとして現れることが多く、区画ごとの模様の数値で見分けられる場合があります。学習の正解は区画ごとの種類だけで済み、領域を塗る手間が要りません。 正解の画像が十分に集まり、精度が足りないと分かってから、深層学習の領域の検出に進みます。
模様の特徴は、scikit-image の2つの関数で計算します。 local_binary_pattern(LBP)は、公式のページでは模様の分類によく使われる記述子とされ、method に 'uniform' を選ぶと、明るさの変化と回転に強く、角度の区分がより細かい形になるとされています。graycomatrix は画素の組の同時生起の行列を作り、graycoprops でそこから contrast・homogeneity・energy・correlation などの値を出します。
03どうやって実装するのか
処理の起点を決める
担当が革を広げ、革の番号を読み取った時点で撮ります。 番号を読まずに撮ると、画像と革が結び付きません。番号を読むことを撮影の条件にします。
| 段 | いつ | すること |
|---|---|---|
| 1. 撮影と候補 | 革を広げるたび | 撮る、輪郭、穴、区画の判定、領域、画面に出す |
| 2. 確かめ | 撮った直後 | 担当が候補を足す・消す、抜き取り |
| 3. 集計 | 毎日の終わり | 革の仕入れ先ごと・種類ごとの候補と確定の数、見落としの割合 |
| 4. 学び直し | 月に1回 | 担当の確かめの結果を正解に加えて学び直す |
候補が画面に出るまでの時間は、担当が革を広げ終えて台の横に立つまでに収めます。 区画の特徴の計算は区画の数に比例するので、区画の大きさと、特徴の距離・角度の数を、この時間に収まるように決めます。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 革の画像 | 台の上の革を真上から撮った1枚、撮った時刻 | カメラ |
| 革の情報 | 革の番号、仕入れ先、革の種類・色・仕上げ | 入荷の台帳 |
| 縮尺 | 画像の1画素が何mmか | 台の四隅の印で撮影の位置を決めたときに測る |
| 正解の区画 | 区画ごとの種類(正常・傷・しみ・自然の模様) | 検反の担当が付けたもの |
| 部品ごとの決まり | 部品ごとに避ける種類と、余白の幅 | 裁断の担当と決めた表 |
質を決めるのは、照明です。 革の傷は、斜めから光を当てると影ができて見えやすくなり、真上からの光では消えるものがあります。担当が目で見るときと同じく、斜めの光を固定して使います。 照明の角度を変えたら、それまでの正解では学び直しが要ると考えてください。
革の色ごとに分けて学びます。 黒・こげ茶の革と、生成り・キャメルの革では、しみの見え方がまったく違います。最初は、枚数の多い1〜2色から始め、ほかの色は従来どおりの検反にします。 型押しの革やヌバックは、最初の対象から外します。
部品ごとの決まりは、最初に紙に起こしておく入力です。 第2章のとおり、この決まりは裁断の担当の頭の中にあります。「鞄の前の面は傷・しみを全部避け、余白10mm。内側の部品は自然の模様は使う」のような表にします。
データの取得方法を決める
| 取るもの | どこから | 使い道 |
|---|---|---|
| 画像 | カメラから検査用のPCへ直接 | 輪郭・区画・判定 |
| 革の番号 | 読み取り機 | 画像と革を結ぶ |
| 革の情報 | 入荷の台帳の書き出し | 色ごとのモデルを選ぶ |
| 正解の区画 | 担当が画面で付けた種類 | 学習と学び直し |
正解は、画面の上で区画を選んで種類を付ける形にします。 過去の検反でペンの印が付いた革を撮り、印の中の区画を「傷」「しみ」、印の外で担当が「血筋」「しわ」と答えた区画を「自然の模様」にします。 正常の区画は数が多いので、傷・しみの区画の数倍にとどめて選びます。
AIへ渡す前に整形する
- 歪みの補正 … レンズの歪みを、撮影の位置を決めたときの補正の値で直します
- 縮尺の確かめ … 台の四隅の印の間の画素の数から、1画素あたりのmmを確かめます
- 革の輪郭 … 台の色との差で革の領域を取り、いちばん大きな領域を革とします
- 穴の候補 … 革の領域の内側にある抜けを、穴の候補として取り出します
- 縁を除く … 革の輪郭から内側に決めた幅は、区画の判定の外にします。縁は裁断でもともと使いません
- 区画に分ける … 輪郭の内側を、64×64画素ほどの区画に分けます。半分以上が革でない区画は外します
- 灰色と整数 … 区画を灰色の画像にし、0〜255の整数の型にします
4番の穴は、ここで決まります。 革の領域の内側の抜けは、台の色が透けて見えている場所です。小さな抜けは、毛穴やほこりの影のこともあるので、決めた大きさ以下の抜けは穴の候補から外します。
7番は、graycomatrix の求める入力に合わせるためです。 公式のページでは、入力は整数の型の画像で、正の値のものだけが扱え、8ビットでない画像では levels を指定する必要があるとされています。0〜255の整数にそろえておけば、どの色の革でも同じ設定で計算できます。
AIに処理させる
させるのは、区画ごとに、正常・傷・しみ・自然の模様の確からしさを返すことだけです。
| させること | させないこと |
|---|---|
| 区画ごとの4種類の確からしさ | 避けるかどうかの判断(担当が決める) |
| どの部品にどの場所を使うかの判断(裁断の担当が決める) | |
| 革の等級の判定・仕入れ先への返品の判断 | |
| 穴の判定(輪郭の抜けとして形で見る) |
判定の規則は、Python の側に置きます。
| 規則 | 内容 |
|---|---|
| 傷・しみの候補 | 区画の傷またはしみの確からしさが0.35以上 |
| 自然の模様 | 自然の模様が最も高く、傷・しみが0.35未満。画像では別の色で薄く描く |
| 領域 | 候補の区画をつなげ、決めた大きさ以下の領域を除く |
| 避ける場所 | 領域に部品ごとの余白を足した範囲 |
しきい値を低めに置いているのは、見逃しを減らすためです。 確からしさの高い区画だけを候補にすると、担当が見る場所は減りますが、薄いしみや細い擦れを見落とします。検反で困るのは、余計に見ることより、製品になってから傷が見つかることです。 しきい値は、抜き取りの見落としの割合を見ながら月に1回見直します。
指示内容を固定する
この構成の中心は生成AIではなく画像処理と機械学習なので、プロンプトの代わりに、特徴の計算と学習の設定を示します。
import numpy as np
from skimage.feature import local_binary_pattern, graycomatrix, graycoprops
from sklearn.ensemble import RandomForestClassifier
P, R = 8, 1
ANG = [0, np.pi/4, np.pi/2, 3*np.pi/4]
def tile_features(t): # t: 64x64、uint8 の灰色の区画
lbp = local_binary_pattern(t, P, R, method="uniform")
hist, _ = np.histogram(lbp, bins=P + 2, range=(0, P + 2), density=True)
glcm = graycomatrix(t, distances=[1, 3], angles=ANG,
levels=256, symmetric=True, normed=True)
tex = [graycoprops(glcm, p).mean()
for p in ("contrast", "homogeneity", "energy", "correlation")]
return np.r_[hist, tex, t.mean(), t.std()]
CLASSES = ["normal", "scratch", "stain", "natural"]
clf = RandomForestClassifier(n_estimators=300, min_samples_leaf=3,
class_weight="balanced_subsample",
n_jobs=-1, random_state=0)
clf.fit(X_train, y_train) # 区画ごとの特徴と種類
proba = clf.predict_proba(X_tiles) # 区画ごとの4種類の確からしさ
class_weight に "balanced_subsample" を選んでいるのは、傷・しみの区画が少ないからです。 公式のページでは、"balanced" は種類の数の逆数(n_samples / (n_classes * np.bincount(y)))で重みを付け、"balanced_subsample" は同じ計算を木ごとのブートストラップの標本で行うとされています。何も付けないと、正常の区画ばかりの学習で、傷の確からしさが低く出ます。この構成の確からしさは候補を拾う目安にしか使わないので、重みで傾けても困りません。
predict_proba の値は、木の葉の中の割合の平均です。 公式のページでは、森の確からしさは木ごとの確からしさの平均で、1本の木の確からしさは葉の中の同じ種類の割合とされています。min_samples_leaf を既定の1のままにすると、葉が1つの区画だけになり、確からしさが0か1に寄ります。 3にして、しきい値で選べる幅を残します。
学習と検証は、革の単位で分けます。 同じ革の区画は、同じ仕上げと同じ照明の下で撮られ、模様が似ています。区画のまま分けると、同じ革の区画が学習と検証に入り、当たり方を甘く見ます。
領域にまとめる処理は、次の形です。
from skimage.morphology import remove_small_objects, isotropic_dilation
from skimage.measure import label, regionprops
cand = tile_mask_from(proba, cls=("scratch", "stain"), th=0.35) # 画素の bool
cand = remove_small_objects(cand, max_size=min_px) # min_px 画素以下を除く
avoid = isotropic_dilation(cand, radius=margin_mm / mm_per_px) # 部品ごとの余白(画素)
lab = label(avoid)
mm = mm_per_px
for r in regionprops(lab, spacing=(mm, mm)):
rows.append({"area_mm2": round(r.area, 1),
"bbox_mm": [round(v * mm) for v in r.bbox],
"centroid_mm": [round(v, 1) for v in r.centroid]})
remove_small_objects は max_size で書きます。 公式のページでは、0.26 で min_size が非推奨になり、max_size(既定64)で、その画素の数以下の領域を取り除くとされています。min_size は「その大きさより小さい」ものを取り除いていたので、同じ数を渡すと、ちょうどその大きさの領域の扱いが変わります。 bool の配列を渡すと先にラベルを付けるとされているので、そのまま渡せます。
余白は isotropic_dilation で、円の形に広げます。 公式のページでは、2値の画像だけを受け、円の形の構造要素で膨らませ、大きな円では一般の dilation より速いとされています。0.26 の公式のページには、2値用の別の関数(binary_dilation)の項目が見当たらないので、古い書き方の例をまねません。半径は、部品ごとの余白の mm を1画素あたりの mm で割って画素で渡します。
大きさは spacing を渡して mm で測ります。 公式のページでは、regionprops の area は画素の数を画素の面積で拡大した値で、spacing で軸ごとの画素の間隔を渡せるとされています。1画素あたりのmmを渡せば、面積は mm² で返ります。 裁断の担当が見るのは mm なので、画素のまま渡しません。
出力形式を固定する
革1枚ごとの結果を、次の形で記録します。
{
"hide_no": "H-261118-0457",
"supplier": "T-12",
"color": "camel",
"shot_at": "2026-11-18T09:12:40",
"mm_per_px": 0.8,
"holes": [{"centroid_mm": [412.0, 1630.4], "area_mm2": 38.4}],
"regions": [
{"id": 1, "type": "scratch", "max_proba": 0.71,
"area_mm2": 1520.0, "bbox_mm": [880, 410, 940, 520],
"centroid_mm": [905.2, 466.8]},
{"id": 2, "type": "stain", "max_proba": 0.42,
"area_mm2": 2304.0, "bbox_mm": [1210, 650, 1270, 700],
"centroid_mm": [1238.5, 676.0]}
],
"natural_tiles": 37,
"inspector": {"confirmed": [1], "rejected": [2], "added": []},
"spot_check": {"tiles": 20, "missed": 0}
}
regions は機械が埋め、inspector は担当が埋めます。 両方を残すので、機械が候補にした領域のうち担当が確かめた割合と、抜き取りで見つかった見落としの割合を、毎日出せます。
画面の画像は、避ける場所を赤、自然の模様を薄い青、穴を黒で描きます。 赤の領域には番号を振り、一覧と同じ番号にします。担当は番号を押して「確か」「違う」を選び、見つけた傷は画面の上で囲んで足します。
システムへ連携する
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| カメラと読み取り機 | 検査用のPCに直接つなぐ | 撮影と革の番号 |
| 入荷の台帳 | スプレッドシートを読む | 仕入れ先・色・仕上げ |
| 台の横の画面 | 検査用のPCの上の簡単な画面 | 候補の画像と確かめのボタン |
| 裁断の担当 | 革の番号ごとの画像と一覧のファイル | 印を避けて型紙を置く |
入荷の台帳には書き込みません。 革の番号ごとの結果は、別のファイルとして社内のファイルサーバーに置きます。裁断の機械に一覧を取り込めるかは、機械の仕様しだいです。 取り込めない場合は、画像を印刷して型紙を置く台の横に置きます。
人が確認する
- 候補の領域を革の上で確かめる … 画面の番号の場所を、斜めの光で見て「確か」「違う」を選びます
- 見落としを足す … 候補の外で見つけた傷は、画面で囲んで足します
- 候補の無い場所を抜き取る … 毎枚、決めた数の区画を画面が示し、担当が見ます
- 部品ごとの決まりと合わせる … 自然の模様を避けるかは、その日に裁断する部品で決めます
1番は、1領域を数秒で決められる形にします。 画面の番号と革の上の位置が一目で結べるよう、台にも縦横の目盛りを付けておきます。 革の上で場所を探す時間がかかると、第10章の2分には収まりません。
3番を省かないでください。 見落としの割合は、モデルが今も使えるかの物差しです。この割合が上がるのは、多くの場合、照明の劣化、仕入れ先の変更、仕上げの変更のどれかです。
例外に対処する
| 起きること | 対応 |
|---|---|
| 革の番号が読めない | 撮影しない。番号を手で入れてから撮る |
| 革が台からはみ出す | 輪郭が台の端に触れたら、広げ直して撮り直す |
| 革にしわが寄ったまま撮った | しわの影が傷の候補になる。広げ直して撮り直す |
| 学んでいない色・仕上げの革 | 候補を出さず、従来どおりの検反に回す |
| 候補が極端に多い | 照明と台の汚れを確かめ、その革は従来どおりの検反にする |
| 検査用のPCが止まる | 画像だけを保存し、その間は従来どおりの検反 |
| 担当の確かめが人で割れる | 同じ画像を2人に見せ、割れた領域を集めて線引きを話し合う |
| 見落としの割合が上がる | しきい値を下げる前に、照明と仕入れ先・仕上げの変化を確かめる |
記録を残す
- 撮った画像と時刻、革の番号、縮尺
- 区画ごとの確からしさと、領域・穴の候補の一覧
- 担当の確かめの結果(確か・違う・足した)と、確かめた人・時刻
- 抜き取りの結果(見落としの割合)
- モデルの版、学習に使った革の範囲、しきい値、部品ごとの決まりの版
担当の確かめを残すのは、次の学び直しの正解になるからです。 担当が「違う」とした領域は、モデルが自然の模様と取り違えやすい見た目の例です。月に1回、それらを正解に加えて学び直します。
04実装レベルの3段階
本記事の想定は本格構成です。 1件6分が2分になるのは、端から端まで探す作業がなくなり、担当の時間が候補を確かめることと抜き取りに絞られるからです。 半自動化で照明としきい値を決めてから、本格構成に進みます。 手持ちのカメラで撮った画像で試せば、照明を変えても裁断を止めずに済みます。台の上にカメラを据えるのは、照明の角度が決まってからにします。 本格構成に進んでも、すべての革を一度に対象にしません。 学んだ色・仕上げの革から始め、抜き取りの見落としの割合が落ち着いた色から順に広げます。 学んでいない色の革は、従来どおり担当が端から端まで見ます。対象を広げるたびに、その色の正解の区画を集め直す時間が要ると考えておきます。
05工数削減シミュレーション
導入後 1,200件 × 2分 ÷ 60 = 40 時間/月
自社条件で導入効果を整理したい方へ
このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。
06向いている企業・向いていない企業
- 牛革などの天然の革を1枚ずつ裁断して、鞄・靴・家具・車の内装などの部品を作る工場で、裁断の前に検反の担当が革を台に広げ、傷・しみ・穴を目で探してチョークやペンで印を付けている場合。月に数百から千数百枚の革を扱い、検反の担当が限られ、見る人によって印の付け方が違う場合。革を広げる台の上にカメラと照明を据える場所があり、過去の革の写真と担当の印を集められる場合。
- 合成皮革など、表面の見た目がそろった材料だけを扱う場合。月の革の枚数が少なく、ベテランの担当が全部を見ても時間が足りる場合。シボの深い型押しの革やヌバックなど、表面の模様と傷の見分けが写真では難しい革が大半の場合。なお、どこを避けて裁断するか、どの部品にどの場所を使うかを決めるのは検反と裁断の担当で、この構成は候補を示すものです。
07最小構成で試す方法
- 過去に検反でペンの印を付けた革から、色の同じものを20枚選ぶ
- 決めた照明の下で、真上から撮る
- 検反の担当2人が、同じ画像の上で傷・しみ・自然の模様の区画に種類を付ける
- 2人の付け方が割れた区画を集め、線引きを話し合う
- 照明の角度を2〜3通り変えて同じ革を撮り、傷の見え方を比べる
| 出てきた内容 | 判断 |
|---|---|
| 2人の付け方がおおむね揃い、斜めの光で傷が安定して写る | 区画の特徴と学習に進む |
| 2人の付け方が大きく割れる | 線引きを決めるのが先。 モデルを作っても基準が無い |
| どの照明でも傷が写らない | 撮り方を見直すのが先。この革の種類は対象から外す |
この段階ではモデルを作りません。 2人の線引きが揃わないうちに学ばせると、モデルは2人の線引きの間のどこかを覚え、どちらから見ても誤りの多いものになります。 特に「血筋」と「細い傷」の線引きは、この段階で決めておきます。
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| 血筋やしわを傷として囲む | 区画の種類に「自然の模様」を入れて学ぶ |
| 穴の正解が足りずに見逃す | 穴は輪郭の内側の抜けとして形で見つける |
graycomatrix が動かない | 整数の型・正の値にそろえ、8ビットでなければ levels を指定する |
| 傷の確からしさが低く出る | 正常が多いので class_weight を "balanced_subsample" にする |
| 確からしさが0か1に寄る | min_samples_leaf を上げて葉に複数の区画を入れる |
| 同じ革の区画が学習と検証に入る | 革の単位で分けて検証する |
min_size の警告が出る | 0.26 で非推奨。max_size で書き、境の大きさの扱いを確かめる |
| 大きさが画素で出る | regionprops に spacing を渡して mm で測る |
| 余白の付け方を古い例からまねる | 0.26 のページにある isotropic_dilation で、半径を画素で渡す |
| 照明の角度を変えて当たらなくなる | 照明を固定する。変えたら学び直す |
| しわを広げずに撮る | 広げ直して撮り直す手順にする |
| 学んでいない色の革に候補を出す | 色ごとにモデルを分け、学んでいない色は従来の検反へ |
上の2行は、天然の革に固有の問題です。 工業製品の外観検査の考え方で「正常からの外れ」を全部拾うと、血筋もしわも外れとして拾い、使える場所が減ります。
09セキュリティ・AIガバナンス上の注意点
この構成で扱うデータ: 革の画像、革の番号、仕入れ先、担当の確かめの結果。個人の情報は原則として扱いません。
- 作業者が写らないようにする … カメラの範囲を台の上だけに絞ります。革を広げる手や顔が写る間は撮らず、番号を読んでから撮ります
- 画像を外部へ送らない … 検査用のPCと社内のサーバーで処理します。仕入れ先ごとの革の質は、取引の条件に関わる情報です
- 避ける場所の決定を自動にしない … 出すのは候補で、担当が決めます。裁断の機械に一覧を自動で送り込むのは、確かめを済ませたものだけにします
- 担当の確かめを担当の評価に使わない … 誰が何を見落としたかは記録に残りますが、目的は線引きを揃えることと、モデルの見落としを測ることです
- 仕入れ先への申し入れは人が判断する … 傷の数の集計は材料で、返品や値引きの判断は購買と品質管理の責任者が行います
画像の保存の期間も決めておきます。 革1枚ごとに高い解像度の画像が残るので、候補の画像と抜き取りの画像は学び直しのために長めに残し、それ以外は製品の苦情に答えられる期間だけ残す、のように分けます。
誤りが起きた場合のリスクは、傷を見落として製品に入ることと、使える場所を避けて革を無駄にすることの2つです。 前者は低めのしきい値と抜き取りで抑え、後者は自然の模様の区別と担当の確かめで防ぎます。
10まず何から始めるか
1週目:線引きと決まりを紙に起こす
裁断の担当と、部品ごとに避ける種類と余白の幅を表にします。検反の担当2人で、血筋と細い傷の線引きを話し合います。
2週目:照明を決める
第8章のとおり、同じ革を照明の角度を変えて撮り、傷が安定して写る角度を選びます。台の四隅に印を付け、縮尺を測ります。
3週目:正解の区画を付け始める
枚数の多い色の革から撮り、区画に種類を付けます。自然の模様の区画も、傷と同じくらいの数を集めます。
4週目:半自動化で試す
区画の特徴と決定木の森を学び、撮った画像で候補を出して、担当の印と比べます。見落としの割合をこの段階から数え始めます。
2か月目: 台の上にカメラを据え、番号の読み取りと確かめの画面を作ります。3か月目以降: 裁断の担当に画像と一覧を渡し、月に1回の学び直しを続けます。見落としの割合が安定し、担当によって印の付け方が変わらなくなった時点で、この構成は完成です。
11関連ユースケース
12この仕組みを理解するための記事
13技術仕様の確認日・参考情報
| 確認した内容 | 情報源 | 確認日 |
|---|---|---|
local_binary_pattern(image, P, R, method='default') が模様の分類によく使われる記述子で、'uniform' が明るさの変化と回転に強く角度の区分が細かいこと。graycomatrix の入力が整数の型・正の値の画像で、8ビットでなければ levels が要ること、symmetric・normed の意味。graycoprops の prop に contrast・homogeneity・energy・correlation などがあること(0.26.0) | scikit-image: skimage.feature | 2026-11-18 |
remove_small_objects の min_size が 0.26 で非推奨になり、max_size(既定64)でその画素の数以下の領域を取り除くこと、bool の配列は先にラベルを付けること。isotropic_dilation(image, radius, out=None, spacing=None) が2値の画像と円の形の構造要素だけを扱い、大きな円で速いこと | scikit-image: skimage.morphology | 2026-11-18 |
regionprops に spacing を渡せ、area が画素の数を画素の面積で拡大した値であること、bbox・centroid の形 | scikit-image: skimage.measure | 2026-11-18 |
class_weight の "balanced" が n_samples / (n_classes * np.bincount(y)) で、"balanced_subsample" が木ごとのブートストラップの標本で計算すること。min_samples_leaf の既定が1、n_estimators の既定が100であること。predict_proba が木ごとの確からしさの平均で、1本の木の確からしさが葉の中の同じ種類の割合であること(1.9.1) | scikit-learn: RandomForestClassifier | 2026-11-18 |
どこを避けて裁断するか、どの部品にどの場所を使うかは、検反と裁断の担当が決めてください。 本記事は上の公式のページで確認できた範囲だけを扱っています。
実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。
自社の業務に使えるAI活用候補を整理します
このユースケース(UC-3966)についてのご相談はこちらから。
