Media > AI活用ユースケース > 品質管理 > 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

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

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

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。

サマリー
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
現在工数
120h/月
AI導入後
40h/月
想定削減
67%
年間削減
960h
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. 革の入荷の台帳から、裁断する革を選んで台に広げる
  2. 斜めから光を当て、背・肩・腹の順に表面を見ていく
  3. 傷・しみ・穴を見つけたら、ペンで囲む
  4. 気になる場所があれば、ベテランの担当に見てもらう
  5. 検反の記録の紙に、革の番号と主な傷の数を書く
  6. 裁断の担当が、印を避けて型紙を置いて切る
導入後(After)
  1. 人担当が革を台に広げ、革の番号を読み取り機で読む
  2. 自動台の上のカメラが、決めた照明で革を真上から撮る
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 人担当が画面の候補を革の上で確かめ、印を足す・消す
  9. 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
  10. 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
  1. 革の入荷の台帳から、裁断する革を選んで台に広げる
  2. 斜めから光を当て、背・肩・腹の順に表面を見ていく
  3. 傷・しみ・穴を見つけたら、ペンで囲む
  4. 気になる場所があれば、ベテランの担当に見てもらう
  5. 検反の記録の紙に、革の番号と主な傷の数を書く
  6. 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。

  1. 【人】 担当が革を台に広げ、革の番号を読み取り機で読む
  2. 【自動】 台の上のカメラが、決めた照明で革を真上から撮る
  3. 【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
  4. 【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
  5. 【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
  6. 【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
  7. 【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
  8. 【人】 担当が画面の候補を革の上で確かめ、印を足す・消す
  9. 【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
  10. 【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

構成図
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

Step1

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。

Step2

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。

Step3

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。

Step4

AIへ渡す前に整形する

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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。

Step5

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。

Step6

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。

Step7

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。

Step8

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。

Step9

人が確認する

  1. 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
  2. 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
  3. 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
  4. 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。

Step10

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
Step11

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

最小構成:照明の下で革を撮り、担当2人の線引きを揃える / 判定の基準づくり
半自動化:上記+撮った画像で区画の判定と領域を出し、担当が画面で確かめる / 候補の検出と記録
本格構成:上記+台の上のカメラで全数を撮り、避ける余白と mm の一覧、抜き取り、裁断の担当への受け渡し / 検反の候補出しから裁断への受け渡しまで

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

前提値(モデル条件)
対象人数
6 名
月間件数
1,200 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  1,200件 × 6分 ÷ 60 = 120 時間/月
導入後 1,200件 × 2分 ÷ 60 = 40 時間/月
月間削減時間
80h
削減率
67%
年間削減時間
960h
年間金額換算(時間単価3,000円)
288万円
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. 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。
向いていない
  1. 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

  1. 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
  2. 決めた照明の下で、真上から撮る
  3. 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
  4. 2人の付け方が割れた区画を集め、線引きを話し合う
  5. 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。

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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

技術仕様確認日:2026-11-18/最終更新:2026-11-18
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.feature2026-11-18
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.morphology2026-11-18
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.measure2026-11-18
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: RandomForestClassifier2026-11-18

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。

AI活用について相談する
目次