Media > AI活用ユースケース > 品質管理 > かまぼこ・練り物の工場が、焼き物のラインのカメラの画像から Python で焼き色の濃さを測り、基準を外れた製品を拾う

かまぼこ・練り物の工場が、焼き物のラインのカメラの画像から Python で焼き色の濃さを測り、基準を外れた製品を拾う

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

焼き機の出口のカメラの画像から、Python で製品を1本ずつ切り出し、焼き色の明るさと色みを数値で測ります。品目ごとの色の基準から外れた製品の位置を取り除く係に示し、色の推移を品質管理と焼き場に返します。

サマリー
連携・自動化
Python
対象業界
小売/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
現在工数
60h/月
AI導入後
20h/月
想定削減
67%
年間削減
480h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 品質管理の担当が30分ごとに出口へ行き、各ラインから5本を抜き取る
  2. 検査台の照明の下で、品目の色の見本(薄い限度・標準・濃い限度)の横に並べて見比べる
  3. 焦げの点と色むらがないかを、1本ずつ回して見る
  4. 確認表に時刻・品目・「適」「薄」「濃」・焦げとむらの有無を書く
  5. 外れていれば焼き場に伝え、焼き場が火力か速さを直す。直した後にもう一度抜き取って見る
  6. 1日の終わりに確認表をまとめ、スプレッドシートに写す
導入後(After)
  1. 人焼き場が始業時に、カメラの画面で品目を選び、照明の点灯とグレーの板の写りを確かめる
  2. 自動焼き機の出口のコンベアの上のカメラが、一定の間隔で画像を撮り、決まったフォルダに置く
  3. 自動Python の処理が画像を読み、グレーの板で明るさをそろえ、製品を1本ずつ切り出す
  4. 自動製品ごとに焼き色の L*a*b* の平均、品目の標準の色との差、焦げの点の割合、色むらを測る
  5. 自動品目の規格の表と照らして「適」「薄」「濃」「焦げ」「むら」「測れない」を付ける
  6. 自動「適」以外の製品の位置を、出口の横の画面に枠で示す。同じ向きの外れが続いたら焼き場の画面に知らせる
  7. 人取り除く係が画面の枠の製品を見て、手で抜くかを決める
  8. 人品質管理の担当が30分ごとに、画面の色の推移と外れの画像を見て確認表に記録する。1日に1回、出口の製品を抜き取って見本と見比べ、カメラの数値と合っているかを確かめる
  9. 人焼き場が推移を見て火力と速さを直す
各工程の詳しい説明を読む
  1. 品質管理の担当が30分ごとに出口へ行き、各ラインから5本を抜き取る
  2. 検査台の照明の下で、品目の色の見本(薄い限度・標準・濃い限度)の横に並べて見比べる
  3. 焦げの点と色むらがないかを、1本ずつ回して見る
  4. 確認表に時刻・品目・「適」「薄」「濃」・焦げとむらの有無を書く
  5. 外れていれば焼き場に伝え、焼き場が火力か速さを直す。直した後にもう一度抜き取って見る
  6. 1日の終わりに確認表をまとめ、スプレッドシートに写す

(a)見比べが人によって違う。 「薄い限度ぎりぎり」を「適」とする担当と「薄」とする担当がいます。同じ製品を2人が見て、判定が分かれることがあります。 取引先に説明するときも、「担当が見本と比べて適と判断した」としか言えません。

(b)30分の間の外れを見逃す。 抜き取りの直後に火力が落ちれば、次の抜き取りまでの30分間、薄い製品が流れ続けます。 取り除く係が気づかなければ、そのまま包装に回ります。

(c)照明で色が変わる。 検査台の照明と、出口の天井の照明では、同じ製品の色が違って見えます。朝は窓からの光が入り、夕方とで見え方が変わります。 見本の写真も、印刷した時期で色が少しずつ違います。

(d)確認に人手を取られる。 3名の品質管理の担当は、原料の受け入れ、中心温度の測定の記録の確認、金属探知の記録の確認も受け持っています。30分ごとに2ラインの出口へ行く確認が、ほかの仕事を細切れにします。

  1. 【人】 焼き場が始業時に、カメラの画面で品目を選び、照明の点灯とグレーの板の写りを確かめる
  2. 【自動】 焼き機の出口のコンベアの上のカメラが、一定の間隔で画像を撮り、決まったフォルダに置く
  3. 【自動】 Python の処理が画像を読み、グレーの板で明るさをそろえ、製品を1本ずつ切り出す
  4. 【自動】 製品ごとに焼き色の L*a*b* の平均、品目の標準の色との差、焦げの点の割合、色むらを測る
  5. 【自動】 品目の規格の表と照らして「適」「薄」「濃」「焦げ」「むら」「測れない」を付ける
  6. 【自動】 「適」以外の製品の位置を、出口の横の画面に枠で示す。同じ向きの外れが続いたら焼き場の画面に知らせる
  7. 【人】 取り除く係が画面の枠の製品を見て、手で抜くかを決める
  8. 【人】 品質管理の担当が30分ごとに、画面の色の推移と外れの画像を見て確認表に記録する。1日に1回、出口の製品を抜き取って見本と見比べ、カメラの数値と合っているかを確かめる
  9. 【人】 焼き場が推移を見て火力と速さを直す

7番目が、この設計の分かれ目です。 画面の枠は「抜く候補」で、抜くのは人です。湯気が写り込んだ画像や、2本が重なった製品は、数値が外れて見えることがあります。 自動で弾く装置にはつながないので、誤って良品を捨てることがありません。

8番目の1日1回の見比べが、カメラの数値を信じてよいかの確認です。 照明が切れかけている、レンズが曇っている、といった変化は、数値の側からは気づきにくいからです。

02今回想定するシステム構成

構成図
焼き機の出口のコンベア(製品が並んで流れる)
   │  上に固定の照明とカメラ。画面の端にグレーの板
   ▼【トリガー】カメラが画像をフォルダに置く(一定の間隔)
Python(NumPy・scikit-image)
   ├──▶ グレーの板で明るさをそろえる
   ├──▶ L*a*b* に直し、製品を1本ずつ切り出す
   ├──▶ 製品ごとの色の平均、標準との差、焦げの点、むら
   ├──▶ 品目の規格と照らして判定
   ▼
出口の横の画面(外れの枠)/焼き場の画面(推移と知らせ)
   ▼【人】取り除く係が抜く・焼き場が直す・品質管理が記録
焼き色の記録(製品ごとの数値と画像の保存先)
役割想定する製品代替候補
実行環境Python(NumPy・scikit-image)R
処理エンジンscikit-image(rgb2lab、threshold_otsu、label・regionprops、deltaE_ciede2000)OpenCV
集計Python(30分ごとの推移、外れの割合、品目ごとの記録)表計算の計算式
撮影固定の照明とカメラ(カメラに付属の撮影のソフトで画像をフォルダに置く)-
保管工場の PC のフォルダと Google スプレッドシート(規格の表、確認表)-

新しく足すのは、カメラと照明とグレーの板、Python の処理、2つの画面です。 焼き機の制御にはつなぎません。火力と速さを直すのはこれまでどおり焼き場で、この構成は数値と推移を見せるだけです。

深層学習のモデルを使わないのは、見たいものが「色の量」だからです。 焼き色が濃いか薄いかは、L*a*b* の数値と基準との差で測れます。学習用の画像を集めて不良の例を教え込む必要がなく、なぜ外れと判定したかを数値で説明できます。 取引先に「今週の焼き色の平均と幅」を示すこともできます。

**scikit-image の rgb2lab は、既定で D65 の光源と2度の視野で L*a*b* に直します。 公式の説明では、RGB は機器によって違うので、分析する画像が sRGB の色空間に直されていることを確かめるよう注意しています。カメラの撮影のソフトで sRGB で保存する設定にし、グレーの板で明るさをそろえてから直します。**

03どうやって実装するのか

Step1

処理の起点を決める

カメラが撮った画像が決まったフォルダに置かれたことを起点にします。 出口のコンベアの速さに合わせ、製品の列が1回ずつ画面に入る間隔で撮ります。Python の処理はフォルダを数秒ごとに見て、新しい画像を順に処理します。

処理は工場の PC で動かし、外のサービスには送りません。 1枚の処理は1秒以内に終わる規模で、ネットワークが止まっても判定が続きます。

30分ごとの推移のまとめは、別に定時で動かします。 品質管理の担当が確認表に書く時刻に合わせ、直近30分の製品ごとの数値を品目ごとにまとめた表を画面に出します。

フォルダに新しい画像が5分来ないときは、焼き場の画面に「撮影停止」と出します。 カメラが止まっているのに画面に何も出ないと、外れが無いのか撮れていないのかの区別がつかないからです。

Step2

入力データを集める

データ中身取得元
画像出口のコンベアの上から撮った製品の列。画面の端にグレーの板カメラの撮影のソフトが置くフォルダ
いまの品目ライン、品目、切り替えの時刻焼き場が始業時と切り替え時にカメラの画面で選ぶ
品目の規格品目ごとの標準の色(L*a*b*)、色の差の注意と外れの線、L* の上限と下限、焦げの線、むらの線、製品の大きさの範囲規格の表のシート
グレーの板の基準据え付けのときに測った板の RGB の値設定のファイル
見本の照合1日1回の見比べの結果と、そのときのカメラの数値確認表

質を決めるのは、品目の規格の表です。 標準の色は、いまの色の見本(薄い限度・標準・濃い限度の現物)をこのカメラで撮り、その数値から決めます。 見本の写真を別のカメラで撮った値や、印刷した見本から測った値を使うと、照明とカメラの差がそのまま基準に入ります。

焼き場が品目を選び忘れると、別の品目の基準で判定されます。 焼き抜きかまぼこは焼きちくわより焼き色が薄いので、ちくわの基準で見れば全部が「薄」になります。 下の例外処理で、品目と製品の大きさが合わないときの扱いを決めます。

Step3

データの取得方法を決める

取るものどこから何に使うか
画像フォルダの新しいファイル製品の切り出しと色の測定
いまの品目品目の選択の記録規格の表の行を選ぶ
品目の規格規格の表のシート(品質管理が改定したときに読み直す)判定の線
グレーの板の基準設定のファイル明るさのそろえ

画像は、撮影のソフトが書き終わってから読みます。 書きかけのファイルを読むと、下半分が欠けた画像で製品が切れて写ります。ファイルの大きさが2回続けて同じになってから読むか、撮影のソフトが書き終えた後に名前を変える設定にします。

規格の表は、品質管理の担当だけが直せる場所に置きます。 焼き場が「外れが多いから」と線を広げると、判定の意味が変わったことが記録に残りません。 表に改定の日と改定した人の列を持たせます。

Step4

AIへ渡す前に整形する

  1. 形と大きさの確認 … 画像が決まった大きさで、3つの色の列を持つことを確かめます。PNG の4つ目の列(透明度)があれば外します
  2. 0〜1の小数に直す … 公式の説明に入力の値の範囲の記載が無いので、img_as_float で0〜1の小数にそろえてから色の変換に渡します
  3. 明るさのそろえ … 画面の端のグレーの板の領域の RGB の平均を測り、据え付けのときの値との比で画像全体を掛け直します
  4. 板の値の確認 … 板の明るさが据え付けのときから一定以上ずれていれば、照明かレンズの異常として「照明確認」の印を付けます
  5. **L*a*b* に直す** … rgb2lab を既定の D65・2度で使います
  6. 製品の切り出し … コンベアの面より製品が暗いことを使い、L* の値に threshold_otsu を当てて製品の領域を分けます。label で1本ずつ番号を付けます
  7. 製品の選別 … regionprops の面積が品目の大きさの範囲に入るものだけを残します。凸の度合い(solidity)が低いものは2本が重なったとして「測れない」にします。画像の縁にかかる製品も外します

3番目と4番目を軽く見ないでください。 照明が少し暗くなるだけで、L* の値は全部の製品で下がり、焼き色が濃くなったように見えます。 板で明るさをそろえ、そろえきれないほどずれたら判定を止めて人を呼びます。

6番目の threshold_otsu は、グレースケールの画像を求めます。 公式の説明では、入力は「グレースケールの画像でなければならない」とされ、しきい値より明るい画素を前景とみなすと書かれています。この構成では明るいコンベアを背景、暗い製品を前景にしたいので、しきい値より小さい側を製品として取ります。 向きを取り違えると、コンベアの面を製品として測ります。

Step5

AIに処理させる

させるのは、切り出した製品ごとに焼き色を数値で測り、品目の規格と照らして印を付けることだけです。 抜くかどうか、火力をどう直すかは人が決めます。

測るもの中身使うもの
焼き色の平均製品の領域の L*・a*・b* の平均regionprops の coords で領域の画素を取り、平均する
標準との差品目の標準の色との色の差deltaE_ciede2000(kL・kC・kH は既定の1)
濃い・薄いの向き平均の L* が標準より大きいか小さいかPython
焦げの点領域のうち L* が焦げの線より低い画素の割合Python
色むら領域の L* のばらつき(標準偏差)Python

標準との差だけでは、濃いのか薄いのかが分かりません。 色の差は距離なので、濃すぎても薄すぎても同じように大きくなります。**L* の向きを別に見て、「薄」と「濃」を分けます。** 焼き場が火力を上げるか下げるかは、この向きで決まります。

deltaE_ciede2000 の kL は、公式の説明では「1で許容できる近さ、2で見分けられない近さ」の明るさの係数とされています。 この構成では既定の1のまま使い、外れの線は見本の現物を撮った数値から品目ごとに決めます。 係数を変えると、同じ線でも意味が変わるので、変えるなら規格の表と一緒に改定します。

判定条件(線は品目の規格の表から)
適標準との差が注意の線より小さく、焦げとむらが線より小さい
薄/濃標準との差が外れの線を超え、L* が標準より大きい(薄)か小さい(濃)
焦げ焦げの点の割合が線を超える
むらL* のばらつきが線を超える
測れない重なり、画像の縁、面積が範囲外、照明確認の印がある
させないこと理由
加熱が足りたかの判断中心温度の測定で行う。焼き色は加熱の指標にしない
製品を自動で弾く湯気や重なりで外れて見えることがある。抜くのは人
焼き機の火力と速さを変える焼き場が推移を見て直す
規格の線を自動で広げる・狭める品質管理が見本と取引先との取り決めから決める
金属片・異物の検出金属探知など別の工程で行う

1行目は、とくに気を付けてください。 焼き色が「適」でも、中までの加熱が足りているとは限りません。画面に「適」が並ぶと、中心温度の測定を省きたくなりますが、それは別の管理です。

Step6

指示内容を固定する

生成AIを使わないので、プロンプトはありません。 かわりに、1枚の画像を処理する中身を示します。

import numpy as np
from skimage import io, color, filters, measure, util

def check_image(path, spec, card_box, card_ref):
    rgb = util.img_as_float(io.imread(path))[..., :3]        # 0〜1、3列にそろえる
    r0, r1, c0, c1 = card_box
    card = rgb[r0:r1, c0:c1].reshape(-1, 3).mean(axis=0)
    if np.any(np.abs(card / card_ref - 1) > spec["card_tol"]):
        return {"status": "照明確認", "items": []}
    rgb = np.clip(rgb * (card_ref / card), 0, 1)              # 明るさをそろえる
    lab = color.rgb2lab(rgb)                                  # 既定 D65・2度
    L = lab[..., 0]
    mask = L < filters.threshold_otsu(L)                      # 暗い側が製品
    mask[r0:r1, c0:c1] = False                                # 板は製品に数えない
    items = []
    for rp in measure.regionprops(measure.label(mask)):
        if not (spec["area_min"] <= rp.area <= spec["area_max"]):
            continue
        rr, cc = rp.coords[:, 0], rp.coords[:, 1]
        px = lab[rr, cc]
        mean = px.mean(axis=0)
        d = float(color.deltaE_ciede2000(spec["lab_std"], mean))
        burn = float((px[:, 0] < spec["L_burn"]).mean())
        uneven = float(px[:, 0].std())
        if rp.solidity < spec["solidity_min"] or touches_edge(rp, L.shape):
            judge = "測れない"
        elif burn > spec["burn_max"]:
            judge = "焦げ"
        elif uneven > spec["uneven_max"]:
            judge = "むら"
        elif d > spec["de_ng"]:
            judge = "薄" if mean[0] > spec["lab_std"][0] else "濃"
        else:
            judge = "適" if d <= spec["de_warn"] else "注意"
        items.append({"bbox": rp.bbox, "L": mean[0], "a": mean[1], "b": mean[2],
                      "dE": d, "burn": burn, "uneven": uneven, "judge": judge})
    return {"status": "ok", "items": items}

mask = L < ... の向きが、前処理の6番目の注意そのものです。 > と書くと、コンベアの面を製品として測り、全部が「薄」になります。据え付けの最初の日に、切り出した領域を画像に重ねて目で確かめます。

「注意」は、外れの線の手前の帯です。 製品は抜きませんが、「注意」が続けば推移の画面で焼き場に早めに知らせます。 外れが出てから直すより、注意の段階で直すほうが抜く製品が減ります。

Step7

出力形式を固定する

取り除く係に見せるのは、出口の横の画面の枠です。 撮った画像の上に、「適」以外の製品だけ色の付いた枠と判定の文字を重ねます。

焼き場と品質管理に見せるのは、30分ごとの推移の表です。

【焼きちくわのライン・品目「焼きちくわ 中」 11月16日 10:00〜10:30】

項目値規格印
測った本数1,240本--
L* の平均52.8標準 51.0-
標準との差の平均2.1注意 3.0/外れ 5.0-
「薄」の本数18本-黄(10:20以降に増加)
「焦げ」の本数2本--
「測れない」の本数35本--

同じ内容を、製品ごとの行の CSV でも残します。 列は、撮った時刻、ライン、品目、画像のファイル名、製品の枠、L*・a*・b* の平均、標準との差、焦げの割合、むら、判定、取り除く係が抜いたかどうかです。

JSON で画面に渡す形は次のとおりです。

{
  "line": "chikuwa",
  "item": "焼きちくわ 中",
  "shot_at": "2026-11-16T10:21:04",
  "status": "ok",
  "items": [
    { "bbox": [120, 40, 210, 610], "L": 55.9, "a": 9.8, "b": 30.2,
      "dE": 5.6, "burn": 0.0, "uneven": 3.1, "judge": "薄" }
  ]
}

status と items を分けるのは、画像そのものが使えないときと、製品が外れたときを区別するためです。 「照明確認」の画像では製品の判定を出さず、画面に「撮影の確認」と出して焼き場を呼びます。

Step8

システムへ連携する

つなぎ先方式内容
カメラの撮影のソフト決まったフォルダに画像を置く画像
品目の選択焼き場がカメラの画面で選んだ記録のファイルいまの品目
規格の表スプレッドシートを読む判定の線
出口の横の画面ローカルの画面に枠を重ねて表示外れの製品の位置
焼き場の画面30分ごとの推移と知らせ推移と外れの増加
確認表品質管理が推移を見て記録する記録

焼き機の制御にはつなぎません。 火力やコンベアの速さを数値から自動で直すと、照明の異常で全部が「濃」に見えたときに火力を下げ続けます。 直すのは推移を見た焼き場です。

製品を弾く装置にもつなぎません。 抜くのは取り除く係で、抜いた記録は係が画面の枠を押して残します。

Step9

人が確認する

  1. 取り除く係が枠の製品を見て抜く … 枠の製品を目で見て、外れなら抜き、湯気や重なりの見かけなら残します。残したときは画面の枠を「見かけ」に切り替えます
  2. 焼き場が推移を見て直す … 「薄」「濃」「注意」が続いたら火力か速さを直し、直した時刻を画面に残します
  3. 品質管理が30分ごとに記録する … 推移の表と外れの画像を数枚見て確認表に書きます
  4. 品質管理が1日1回、見本と見比べる … 出口から5本を抜き取り、見本の現物と並べて見比べ、カメラの数値と目の判定が合っているかを確かめます

1番目の「見かけ」の記録が、この構成の改善の入口です。 「見かけ」が多い時間帯は、湯気がかかっているか、製品が重なりやすいコンベアの詰まり方になっています。撮る位置か間隔を直すと減ります。

目標は、1ラインの1回の確認を2分で終えることです。 推移の表を見て、外れの画像を数枚確かめ、確認表に書く時間です。1日1回の見比べは、30回にならすと1回あたり数十秒です。

Step10

例外に対処する

起きること対応
グレーの板の明るさがずれている判定を止め、「照明確認」で焼き場を呼ぶ。照明とレンズを見る
湯気・油煙がかかる「むら」「測れない」が増える。撮る位置を出口から離すか、送風で湯気を払う
2本が重なる・縁にかかる「測れない」にして判定に数えない
品目の選び忘れ製品の面積が品目の範囲から外れる本数が多ければ「品目確認」の印
新しい品目規格の表に行が無いので判定を止め、見本を撮って行を作るまで人の目で見る
画像が5分来ない「撮影停止」と出す
書きかけの画像大きさが2回続けて同じになってから読む
照明を取り替えた板の基準を測り直し、見本を撮り直して標準の色を確かめる

上から3行目までが、最初の数か月の大半を占めます。 どれも色の測り方の問題ではなく、撮る場所と照明の問題です。 出口の湯気と照明を整えるほうが、判定の線を調整するより効きます。

最後の行は、忘れやすい作業です。 照明を同じ型に取り替えても、色の温度や明るさは少し変わります。取り替えた日を規格の表の改定と同じように記録します。

Step11

記録を残す

  • 撮った画像(外れと「測れない」は全部、「適」は一定の割合で間引いて)と、製品ごとの数値の CSV
  • 品目の選択と切り替えの時刻
  • 取り除く係が抜いたか、「見かけ」としたか
  • 焼き場が火力と速さを直した時刻
  • 1日1回の見本との見比べの結果と、そのときのカメラの数値
  • 規格の表の改定の履歴、グレーの板の基準の測り直しの履歴

4つ目と製品ごとの数値を並べると、直した後に色が戻るまで何分かかったかが分かります。 焼き場の調整の癖と、焼き機の温まり方の傾向が見えます。

画像を全部残すと保存先がすぐ埋まります。 外れの画像は取引先への説明にも使うので残し、「適」の画像は1時間に数枚にとどめます。

04実装レベルの3段階

最小構成:抜き取った製品をスマートフォンで撮り、Python で L*a*b* と標準との差を出す / 抜き取りの数値化の試し
半自動化:上記+検査台に固定の照明とカメラを置き、抜き取った5本をまとめて撮って判定と記録まで自動で出す / 抜き取りの判定と記録
本格構成:上記+焼き機の出口に据えて全数を撮り、外れの位置の表示、30分ごとの推移、焼き場への知らせまで / 全数の測定と推移

本記事の想定は本格構成です。 1件6分が2分になります。半自動化の段階で、見本との見比べと確認表への記入がほぼ無くなり、②と③の大半は要らなくなります。 出口へ行く①と、30分の間の外れを見逃す問題は、本格構成で無くなります。 段階を飛ばさないでください。 検査台での半自動化で、照明とグレーの板のそろえ方と、品目ごとの線が固まります。 そこが固まらないうちに出口に据えると、湯気と照明の問題と線の問題が混ざって、どちらを直せばよいか分からなくなります。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
3 名
月間件数
600 件
1件あたり現在時間
6 分
1件あたり導入後時間
2 分
現在  600件 × 6分 ÷ 60 = 60 時間/月
導入後 600件 × 2分 ÷ 60 = 20 時間/月
月間削減時間
40h
削減率
67%
年間削減時間
480h
年間金額換算(時間単価2,800円)
134万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

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。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 焼きちくわ・焼き抜きかまぼこ・伊達巻・笹かまぼこのように焼き色が見た目の品質になる練り物を、コンベアの焼き機で毎日焼いている工場。品質管理の担当が30分ごとに製品を抜き取って色の見本と見比べ、焼き場にガスの火力やコンベアの速さの調整を伝えている場合。取引先から焼き色のばらつきを指摘されたことがあり、色の基準を数値で持ちたい場合。焼き菓子や焼き魚の加工場にも使える。
向いていない
  1. 蒸しかまぼこや揚げ物のように焼き色を付けない製品だけの工場。手で焼く少量の工房で、職人が1本ずつ見て足りる場合。カメラを据える場所に湯気や油煙が常にかかり、照明を固定できない場合。なお、加熱の確認(中心温度の測定)、HACCP の重要管理点の管理、金属探知、取引先との品質の取り決めは、この構成では代替できません。焼き色は加熱が足りたかどうかの指標には使いません。

07最小構成で試す方法

  1. 焼きちくわの1品目に絞り、色の見本の現物(薄い限度・標準・濃い限度)と、出口の製品を同じ照明の下でスマートフォンのカメラで撮る。画面の端にグレーの板を置く
  2. 撮った画像を PC に移し、Python で L*a*b* に直して、見本の3つの数値を出す
  3. 1週間、品質管理の担当が抜き取った5本を同じ場所で撮り、数値と担当の「適」「薄」「濃」を並べて記録する
  4. 担当の判定と、見本の数値から決めた線での判定が、どれくらい合うかを見る
  5. 判定が分かれた製品を、2人目の担当にも見てもらう

3番目は、カメラをラインに据える前の試しです。 抜き取った製品を撮るだけなので、ラインを止めずに、数値で判定できるかを確かめられます。

出てきた内容判断
担当の判定と数値の判定がおおむね合うラインにカメラと照明を据える段階に進む
同じ製品で担当どうしの判定が分かれる見本と線を決め直すのが先。 数値にする意味が大きい
撮るたびに見本の数値が変わる照明と板のそろえ方が先

2行目が出ることは珍しくありません。 失敗ではなく、取引先への説明が難しかった理由が1つ分かったということです。 数値の線を品質管理の3名で決め直すきっかけにします。

08実装時につまずきやすいポイント

問題対策
照明が暗くなると全部が「濃」になるグレーの板で明るさをそろえ、ずれが大きければ判定を止める
カメラが自動で明るさと色を直す露出と色の調整を手動で固定する
画像が sRGB でない撮影のソフトで sRGB で保存する。rgb2lab は sRGB を前提にする
入力の値の範囲が合わないimg_as_float で0〜1にそろえてから渡す
コンベアの面を製品として測るthreshold_otsu はしきい値より明るい側を前景とみなす。暗い側を取る
濃いのか薄いのか分からない色の差は距離。L* の向きを別に見る
重なった2本で「むら」が出る凸の度合い(solidity)が低いものは「測れない」
湯気で「むら」「測れない」が増える撮る位置を離すか、送風で払う
品目の選び忘れで全部「薄」面積が範囲外の本数で「品目確認」を出す
別のカメラで撮った見本の値を基準にする見本はこのカメラで撮り直す
「適」が並んで中心温度の測定を省く焼き色は加熱の指標にしないと決まりに書く
焼き機の制御につなぎたくなる照明の異常で火力を下げ続ける。直すのは焼き場

上の2行が、この構成の失敗のほとんどです。 どちらも ERR も警告も出ないまま、全部の製品の数値が同じ向きにずれます。 推移の画面では「焼き色が急に濃くなった」に見え、焼き場が火力を下げてしまいます。グレーの板の値を推移の画面にも並べておくと、焼き色の変化か照明の変化かを見分けられます。

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: 出口のコンベアの画像、製品ごとの色の数値、品目の規格です。人は写さない位置にカメラを据えます。 取り除く係の手が写り込むことはありますが、顔は写りません。

  1. カメラの画角に人の顔が入らないようにする … 出口のコンベアの真上から、製品の列だけを撮ります。働く人を見張るためのカメラと受け取られないよう、据える前に目的と画角を説明します
  2. 画像を外に送らない … 処理は工場の PC で行い、外のサービスに送りません
  3. 抜くかどうかは人が決める … 自動で弾く装置にはつなぎません。画面の枠は候補です
  4. 焼き色を加熱の指標にしない … 中心温度の測定、HACCP の重要管理点の管理は、これまでどおりの手順で行います
  5. 規格の線は品質管理だけが直す … 改定の日と人を記録し、取引先との品質の取り決めと合わせます
  6. 焼き場や取り除く係の評価に外れの本数を使わない … 外れの本数は、焼き機と撮る環境を直すための材料です。評価に使うと、「注意」の段階の知らせを焼き場が嫌い、線を広げる話が出てきます

誤りが起きた場合のリスクは、外れの製品を見逃して出荷することと、良品を外れとして抜くことの2つです。 前者は照明のずれと線の決め方から、後者は湯気と重なりから起きます。グレーの板の確認と、抜くのを人にすることで、どちらも設計で抑えます。

10まず何から始めるか

1週目:見本を撮る

焼きちくわの1品目について、色の見本の現物(薄い限度・標準・濃い限度)を、固定の照明の下でグレーの板と一緒に撮ります。**Python で L*a*b* に直し、3つの数値を出します。**

2週目:抜き取りを撮って比べる

品質管理の担当が抜き取った5本を同じ場所で撮り、数値と担当の判定を並べて1週間記録します。判定が分かれた製品は2人目の担当にも見てもらいます。

3週目:線を決める

品目ごとの標準の色、注意と外れの線、焦げとむらの線を、品質管理の3名で決めます。 取引先と焼き色の取り決めがある品目は、その取り決めと合わせます。

4週目:検査台で半自動化する

検査台に固定の照明とカメラを置き、抜き取った5本の判定と記録を自動で出します。

2か月目: 出口に照明とカメラを据え、湯気と重なりの対策をします。全数の判定を画面に出しますが、最初の数週間は取り除く係の判断を優先し、「見かけ」の記録を集めます。 3か月目以降: 30分ごとの推移と焼き場への知らせを足し、2ライン目にも広げます。1日1回の見本との見比べで数値と目の判定が合い続け、「見かけ」の割合が下がって落ち着いた時点で、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

技術仕様確認日:2026-11-16/最終更新:2026-11-17
確認した内容情報源確認日
rgb2lab の既定が D65 の光源と2度の視野であること、RGB は機器によって違うため画像が sRGB に直されていることを確かめるよう注意していること。deltaE_ciede2000 の kL・kC・kH の既定が1で、kL は1で許容できる近さ・2で見分けられない近さとされること。deltaE_cie76 が Lab の空間のユークリッド距離であること。scikit-image 0.26.0scikit-image: skimage.color2026-11-16
threshold_otsu の入力がグレースケールの画像でなければならないこと、しきい値より明るい画素を前景とみなすことscikit-image: skimage.filters2026-11-16
label が既定で0の画素を背景とすること。regionprops の area・bbox・coords・solidity(凸包に対する画素の割合)の意味scikit-image: skimage.measure2026-11-16

加熱の確認、HACCP の重要管理点の管理、金属探知は、工場の衛生管理の計画に従ってください。 焼き色の線の値は、品質管理と取引先との取り決めで決めてください。本記事は公開資料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-3404)についてのご相談はこちらから。

AI活用について相談する
目次