Media > AI活用ユースケース > 品質管理 > 椎茸の選別場が、選別台のカメラの画像から傘の大きさ・形・開き具合を Python で測り、規格に沿った階級と等級の案を選別の担当が確かめる表にする

椎茸の選別場が、選別台のカメラの画像から傘の大きさ・形・開き具合を Python で測り、規格に沿った階級と等級の案を選別の担当が確かめる表にする

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

選別台の升目のトレーにひだを上にして並べた生しいたけを真上から撮り、Python で傘を1つずつ切り出して直径・形・開き具合を測ります。産地の出荷規格の表に当てはめて階級と等級の案を付け、選別の担当が確かめる表と出荷者ごとの記録を作ります。

サマリー
連携・自動化
Python
対象業界
その他/小売
対象部門
品質管理/生産
対象業務
内容確認・チェック/分類・仕分け
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
30h/月
AI導入後
10h/月
想定削減
67%
年間削減
240h
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. 生産者が持ち込んだコンテナを受け付け、生産者の名前を選別の記録に書く
  2. 選別台にしいたけを広げ、傘の大きさを目で見て階級の箱に分ける
  3. 境目に近いものは、物差しを当てて測る
  4. ひだの側を見て、開き具合と形で等級を決める
  5. 等級・階級ごとに数を数え、重さを量って選別の記録に書く
  6. 1日の終わりに、精算の担当が選別の記録をスプレッドシートに写す
導入後(After)
  1. 人コンテナを受け付け、トレーの番号と生産者を画面で選ぶ
  2. 人しいたけを、升目のトレーにひだを上にして1つずつ並べる
  3. 自動トレーを選別台の撮影の位置に置くと、カメラが真上から撮る
  4. 自動Python が升目ごとに傘を切り出し、基準の印で画素を長さに直し、長径・短径・形の数字を測る
  5. 自動ひだの見え方の割合などから、開き具合を分類のモデルで「巻き」「7分以内」「7分超」に分け、確からしさを付ける
  6. 自動規格の表で階級を決め、開きと形から等級の案を付ける。境目に近いもの、確からしさの低いものに印を付ける
  7. 人選別の担当が画面の表を見て、印の付いた傘を手に取って確かめ、汚れ・病害虫・肉の厚さを見る
  8. 人担当が等級を確定し、表の色に従って箱に分ける
  9. 自動生産者ごとの等級・階級別の数を記録し、精算の表の隣のシートに書く
各工程の詳しい説明を読む
  1. 生産者が持ち込んだコンテナを受け付け、生産者の名前を選別の記録に書く
  2. 選別台にしいたけを広げ、傘の大きさを目で見て階級の箱に分ける
  3. 境目に近いものは、物差しを当てて測る
  4. ひだの側を見て、開き具合と形で等級を決める
  5. 等級・階級ごとに数を数え、重さを量って選別の記録に書く
  6. 1日の終わりに、精算の担当が選別の記録をスプレッドシートに写す

(a)階級の境目が担当で違う。 直径6cmの境目に近い傘を、ある担当はLに、別の担当はMに入れます。傘はまん丸ではないので、どこを測るかでも数字が変わります。 長い向きだけを見る人と、短い向きも見る人がいます。

(b)「7分開き」の線引きが担当で違う。 開き具合は、傘の縁の巻き込みがどれだけ残っているか、ひだがどれだけ見えているかで見ます。数字で書かれた基準ではなく、見本と経験で覚えるものです。 慣れない担当は、開きかけのものを等級の高い側に入れがちです。

(c)迷うものを1つずつ測る時間がかかる。 3番は、境目に近い傘ほど多く、手伝いの人が多い日ほど物差しを当てる回数が増えます。

(d)記録を写し直している。 選別の記録は紙で、精算の担当が夕方に写します。数え間違いや書き間違いは、生産者から問い合わせがあって初めて分かります。

(e)生産者に説明できる材料が残らない。 「うちのしいたけがMばかりなのはなぜか」と聞かれても、残っているのは等級ごとの数だけです。どの傘が何cmだったか、どこで開きが進んでいると見たかは、選別が終わると消えてしまいます。 担当は「見本どおりに分けた」としか答えられず、生産者の納得を得るのに時間がかかります。

  1. 【人】 コンテナを受け付け、トレーの番号と生産者を画面で選ぶ
  2. 【人】 しいたけを、升目のトレーにひだを上にして1つずつ並べる
  3. 【自動】 トレーを選別台の撮影の位置に置くと、カメラが真上から撮る
  4. 【自動】 Python が升目ごとに傘を切り出し、基準の印で画素を長さに直し、長径・短径・形の数字を測る
  5. 【自動】 ひだの見え方の割合などから、開き具合を分類のモデルで「巻き」「7分以内」「7分超」に分け、確からしさを付ける
  6. 【自動】 規格の表で階級を決め、開きと形から等級の案を付ける。境目に近いもの、確からしさの低いものに印を付ける
  7. 【人】 選別の担当が画面の表を見て、印の付いた傘を手に取って確かめ、汚れ・病害虫・肉の厚さを見る
  8. 【人】 担当が等級を確定し、表の色に従って箱に分ける
  9. 【自動】 生産者ごとの等級・階級別の数を記録し、精算の表の隣のシートに書く

7番を人に残しているのが、この設計の要です。 画像で出すのは寸法と開きの案で、汚れや病害虫の跡、肉の厚さは担当が手で確かめます。 担当が見る範囲を「印の付いた傘」と「画像では見ていない項目」に絞ることで、全部を目で見ていた頃より速く、線引きは揃います。

2番の並べ方が、精度を決めます。 升目に1つずつ、ひだを上にして置くと、傘どうしが重ならず、真上から縁まで見えます。選別台に広げたまま撮る形にすると、重なった傘を切り分ける処理が要り、直径が狂います。 並べる手間は増えますが、迷って測る手間がそれ以上に減ります。

02今回想定するシステム構成

構成図
升目のトレー(ひだを上、20升、基準の印つき)
   ▼【トリガー】トレーを撮影の位置に置く(位置のセンサー)
カメラ(真上・照明を固定) → 選別台のPC
   ▼
Python
   ├──▶ 基準の印で mm/画素を求める
   ├──▶ 升目ごとに傘を切り出す(色の差と輪郭)
   ├──▶ scikit-image の regionprops で形の数字、自前の処理で長径・短径
   ▼
scikit-learn の LogisticRegression ── 開き具合(巻き/7分以内/7分超)と確からしさ
   ▼
Python ── 規格の表で階級、開きと形で等級の案、印
   ▼
選別台の画面(升目ごとの色分けの表)
   ▼
【担当が印の傘と汚れ・病害虫・肉厚を確かめて確定】
   ▼
生産者ごとの等級・階級別の数 → 精算の表の隣のシート
役割想定する製品代替候補
実行環境Python(NumPy・scikit-image・scikit-learn)-
処理エンジンscikit-image の regionprops(形の測定)と scikit-learn の LogisticRegression(開き具合の分類)OpenCV(輪郭と回転を考えた外接の長方形)
集計Python(規格の表による階級・等級の案、生産者ごとの数)表計算の計算式
保管選別場のPCと組合のファイルサーバー(画像、測定の結果、確定した等級)-

新しく足すのは、カメラと照明、升目のトレー、選別台のPC、Python の処理です。 はかりと精算の表は、これまでどおり使います。確定した数は精算の表の隣のシートに書き、精算の担当が確かめてから元の表に写します。 選別台のPCはネットワークにつながなくても動く形にし、組合のファイルサーバーへの保存は1日の終わりにまとめて行います。 選別場の回線が不安定でも、選別の手が止まらないようにするためです。

形の測定には scikit-image の regionprops を使います。 公式のページでは、solidity は領域の画素の数と凸包の画素の数の比、feret_diameter_max は凸包の輪郭の点どうしの最も長い距離、eccentricity は同じ2次のモーメントを持つ楕円の離心率とされています。欠けや割れは solidity が下がり、いびつな形は eccentricity が上がります。 一方で、axis_major_length と axis_minor_length は同じモーメントを持つ楕円の軸の長さ、equivalent_diameter_area は同じ面積の円の直径とされていて、規格の「長径と短径の平均」とは別のものです。 第7章で書くとおり、長径と短径は輪郭から自前で測ります。

開き具合の分類には scikit-learn の LogisticRegression を使います。 特徴量が数個の分類で、どの数字が開きの判定に効いているかを係数で説明できることを優先しました。公式のページでは、3つ以上のクラスでは liblinear 以外の解き方で多項の損失を最適化し、predict_proba はソフトマックスで各クラスの確率を返すとされています。

03どうやって実装するのか

Step1

処理の起点を決める

トレーを撮影の位置に置いたことを、位置のセンサーで検知して撮ります。 担当がボタンを押す形にすると、押し忘れと二度押しが起きます。置けば撮れる形にし、撮れたら画面に升目の表が出るまでを数秒に収めます。

段いつすること
1. 撮影と測定トレーを置くたび撮る、切り出す、測る、階級と等級の案
2. 確定と記録担当が画面で確定したとき生産者ごとの数に足す
3. 集計1日の終わり精算の表の隣のシートに書く
4. 見直し月に1回担当が直した開きの判定を正解に加えて学び直す

同じトレーを2回撮ったときは、後の画像だけを使います。 並べ直して撮り直すことがあるからです。トレーの番号と時刻で、どちらが新しいかを見分けます。

Step2

入力データを集める

データ中身取得元
トレーの画像20升のしいたけ、基準の印、撮った時刻カメラ
トレーの番号・生産者どの生産者のどのコンテナか担当が画面で選ぶ
規格の表階級の直径の範囲、等級の条件(開き・形)産地の出荷規格
正解の開き担当が付けた「巻き」「7分以内」「7分超」見本の傘と、日々の確定の記録
栽培の区分菌床か原木か生産者の登録

質を決めるのは、基準の印と照明です。 トレーの四隅に、大きさの分かっている円を印刷しておき、撮るたびにその円の直径の画素の数から、1画素が何mmかを求めます。 カメラの高さがわずかに変わっても、長さの換算が狂いません。照明は真上からの拡散した光にし、傘の影がひだの側に落ちないようにします。

規格の表は、Python の中に書き込まず、表として持ちます。 山形県の出荷規格では、生しいたけの階級の例として L が6〜8cm、M が4〜6cm、S が3〜4cm と書かれ、等級は A が「菌傘の開きが7分開き以内のもので、色沢および形状が良好で、傘の肉が厚く、水分含有量が少なく汚染および病虫害のないもの」、B は A に次ぐもの、C は B に次ぐものとされています。境目の数字を「以上・未満」のどちらで切るかは、産地の取り決めを確かめて表に書きます。 規格が改定されたら、表だけを差し替えます。

栽培の区分も持たせます。 菌床と原木では、傘の色や表面の模様が違い、ひだの見え方も少しずつ違います。開きの分類は区分を特徴量に入れ、当たり方も区分ごとに見ます。

Step3

データの取得方法を決める

取るものどこから使い道
画像カメラから選別台のPCへ直接測定
生産者・トレーの番号選別台の画面記録の紐づけ
開きの正解見本の傘を撮った画像と、担当が付けた区分分類のモデルの学習
確定した等級選別台の画面の確定の操作記録と学び直し

開きの正解は、ベテランの担当が付けます。 最初に、ベテランの担当2人が同じ300個ほどの傘を見て「巻き」「7分以内」「7分超」を付け、2人が割れた傘を集めて、線引きを話し合います。 揃った線引きで付けた正解で、分類のモデルを学ばせます。割れた傘の写真は、手伝いの人に見せる見本にもなります。

正解を付けるときに、傘を手で裏返さないようにします。 学習の画像は、本番と同じくトレーにひだを上にして並べた状態で撮ります。手に取って横から見た印象で付けると、画像から見えない手がかりで正解を付けることになり、モデルが追いつけません。

正解は、季節をまたいで集めます。 原木のしいたけは春と秋に発生が集中し、菌床のしいたけは1年を通して出ます。冬の寒い時期の傘と、気温の上がる時期の傘では、開きの進み方も傘の色も違います。 最初の正解を1つの時期だけで集めると、別の時期に確からしさの低い傘が増えるので、月に1回の学び直しで、その時期の正解を足していきます。

Step4

AIへ渡す前に整形する

  1. mm/画素を求める … 四隅の基準の円を見つけ、直径の画素の数から1画素あたりの長さを出します。4つの値が大きく違えば、トレーが傾いているとして印を付けます
  2. 升目の切り出し … 升目の線の位置から20升を切り出します。升目の番号が、画面の表の番号です
  3. 傘の輪郭 … 升目の底の色との差で、傘の領域を取ります。小さな穴は埋め、升目の縁に触れている領域は印を付けます
  4. 柄の除き方 … ひだの側から見ると、中央に柄の切り口が見えます。柄は傘の領域の内側にあるので輪郭は変わりませんが、ひだの割合を出すときは柄の円を除きます
  5. 長径と短径 … 傘の輪郭の凸包を1度ずつ回し、それぞれの向きの幅を測ります。最も長い幅を長径、最も短い幅を短径とします
  6. ひだの見え方 … 傘の領域の中を、ひだの色(明るいクリーム色)と、縁の巻き込み・傘の表の色(茶色)に分けます
  7. 空の升 … 傘の領域が無い、または小さすぎる升は「空」とします

5番が、規格の定義に合わせるための処理です。 公式のページでは、feret_diameter_max は凸包の輪郭の点どうしの最も長い距離とされ、これは長径に当たります。短径に当たる「最も短い幅」は regionprops に無いので、凸包を回して測ります。 楕円の軸の長さを使うと、円に近い傘では差が小さくても、いびつな傘では数mm違います。境目の6cm付近の傘では、その数mmで階級が入れ替わります。

4番の柄は、切り方で長さが変わります。 生産者によって柄を短く切る人と長く残す人がいます。ひだの側から見ると柄の切り口の円が見えるので、その円を除いてから、ひだの色の割合を出します。

Step5

AIに処理させる

させるのは、傘1つごとに開き具合を「巻き」「7分以内」「7分超」のどれかに分け、確からしさを出すことだけです。 直径・階級・形は、測った数字と規格の表で決めます。

特徴量何を表すか
ひだの割合傘の領域(柄を除く)のうち、ひだの色の画素の割合。開くほど大きい
縁の巻き込みの幅輪郭から内側に、傘の表の色が続く幅の平均を半径で割った値。巻いているほど大きい
膜の割合ひだを覆う白く平らな膜の色の画素の割合。若いほど大きい
長径に対する短径の比開くと縁が波打ち、比が下がることがある
栽培の区分菌床か原木か
させることさせないこと
開き具合の3つの区分と確からしさ等級の確定(担当が決める)
汚れ・病害虫・肉の厚さ・水分の判定(画像では見ていない)
規格の数字の解釈(表で持つ)

階級と等級の案は、Python の規則で決めます。

規則内容
階級(長径+短径) ÷ 2 を規格の表の範囲に当てはめる
等級の案 A開きが「巻き」か「7分以内」、形の数字が範囲内
等級の案 B 以下開きが「7分超」、または形の数字が範囲外
境目の印直径が階級の境目から±2mm以内
開きの印最も高い確からしさが0.6未満
形の印solidity が決めた値未満(欠け・割れの疑い)

等級の案は、画像で見た項目だけで出した「案」です。 A の条件には色つやや肉の厚さ、汚れが無いことも含まれるので、画像で A の案が出ても、担当が手に取って確かめて初めて A になります。 画面には、案の横に「汚れ・病害虫・肉厚は未確認」と常に出します。

深層学習の画像分類ではなく、数個の特徴量の分類にしたのには理由があります。 開きの線引きは産地の中でも話し合いで動くもので、「ひだの割合がどれだけなら7分か」を数字で説明できると、線引きを変えたときにどこを直せばよいかが分かります。 画像そのものを学ばせる形にすると、線引きを変えるたびに正解を付け直して学び直すことになり、担当に理由を説明することもできません。特徴量で当たりきらない傘が多いと分かったときに、画像分類を検討します。

確からしさのしきい値0.6は、印の数を見て動かします。 印が多すぎると担当が全部の傘を手に取ることになり、少なすぎると開きの誤りが箱に紛れます。最初の1か月は、担当が直した傘の数と印の数を毎日並べて決めます。

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、画像の測定と分類のモデルなので、プロンプトの代わりに、測定と分類の設定を示します。

import numpy as np
from skimage import measure, morphology
from sklearn.linear_model import LogisticRegression

def min_max_width(mask, mm_per_px):
    hull = measure.find_contours(morphology.convex_hull_image(mask), 0.5)[0]
    widths = []
    for deg in range(0, 180):                      # 1度ずつ回す
        t = np.deg2rad(deg)
        proj = hull[:, 0] * np.cos(t) + hull[:, 1] * np.sin(t)
        widths.append(proj.max() - proj.min())
    return max(widths) * mm_per_px, min(widths) * mm_per_px

props = measure.regionprops(label_img)[0]
long_mm, short_mm = min_max_width(cap_mask, mm_per_px)
diameter_cm = (long_mm + short_mm) / 2 / 10        # 規格:長径と短径の平均
shape = {"solidity": props.solidity, "eccentricity": props.eccentricity,
         "feret_max_mm": props.feret_diameter_max * mm_per_px}

feret_diameter_max の値と、自前で測った長径が近いことを確かめます。 両方とも凸包の上の最も長い距離なので、ほぼ同じになるはずです。大きく違う傘は、輪郭の取り方に失敗しているので、印を付けて担当に回します。 公式のページでは、area は spacing で換算されると書かれていますが、ほかの数字がどこまで換算されるかは明記されていないので、長さは画素で測ってから、自分で mm に直します。

X = feats[["gill_ratio", "rim_ratio", "veil_ratio", "short_long", "is_log"]]
y = feats["open_label"]                            # maki / within7 / over7
clf = LogisticRegression(C=1.0, l1_ratio=0.0,      # penalty は使わない(1.8で非推奨)
                         class_weight="balanced", max_iter=1000)
clf.fit(X_train, y_train)
proba = clf.predict_proba(X_new)                   # 列の順は clf.classes_

penalty を書かず、l1_ratio と C で書いています。 公式のページでは、penalty は1.8で非推奨になり1.10で削除される予定で、l1_ratio=0 が従来の L2 に当たるとされています。古い書き方の例を写すと、版を上げたときに動かなくなります。 class_weight="balanced" は、クラスの数に反比例した重みを付ける設定で、「巻き」の傘が少ない時期の正解でも、そのクラスを無視しないようにします。 max_iter は既定の100では収まらないことがあるので上げています。

確率の列の順は classes_ で確かめます。 公式のページでは、predict_proba の列はクラスのラベルの順に並ぶとされています。順を思い込みで書くと、「巻き」と「7分超」を取り違えます。

Step7

出力形式を固定する

升目ごとの結果を、次の形で記録します。

{
  "tray": "T-0412",
  "grower": "G-017",
  "shot_at": "2026-11-17T09:12:40",
  "mm_per_px": 0.142,
  "cells": [
    {"cell": 7, "long_mm": 63.8, "short_mm": 57.0, "diameter_cm": 6.04,
     "size_class": "L", "near_boundary": true,
     "open": "within7", "open_proba": {"maki": 0.08, "within7": 0.71, "over7": 0.21},
     "solidity": 0.97, "grade_draft": "A", "flags": ["境目"],
     "not_checked": ["汚れ", "病害虫", "肉厚", "水分"],
     "grade_final": null}
  ]
}

grade_draft は規則で決め、grade_final は担当が埋めます。 両方を残すので、案と確定がどれだけ食い違ったかを、担当ごと・生産者ごとに見られます。not_checked を毎回書き出すのは、画像で見ていない項目があることを、記録の上でも忘れないためです。

画面は、トレーの写真に升目ごとの色を重ねた形にします。 階級ごとに色を変え、印の付いた升は枠を太くします。担当は、太い枠の傘だけを手に取り、ほかは色に従って箱へ移します。

Step8

システムへ連携する

つなぎ先方式内容
カメラと位置のセンサー選別台のPCに直接つなぐトレーを置いたら撮る
選別台の画面PCの画面升目の表、印、確定のボタン
生産者の登録表を読む生産者の番号と栽培の区分
精算の表隣のシートに書く生産者ごとの等級・階級別の数

精算の表には直接書き込みません。 精算は生産者への支払いに直結するので、精算の担当が隣のシートを確かめてから写します。 重さは、これまでどおりはかりで量った値を使います。

Step9

人が確認する

  1. 印の付いた傘を手に取る … 境目・開き・形の印がある傘を確かめ、階級と開きを直します
  2. 画像で見ていない項目を見る … 汚れ・病害虫の跡・肉の厚さは、全部の傘について担当が見ます。色に従って箱へ移すときに目を通します
  3. 等級を確定する … 画面の確定のボタンで、トレーの結果を記録します
  4. 直した理由を残す … 開きを直した傘は、直した区分が記録に残り、月の学び直しの正解になります

2番を「印の無い傘は見なくてよい」と取り違えないでください。 印は画像で測れる項目についてのものです。汚れや虫食いは、印が無くても担当の目で見ます。 箱へ移す手の動きの中で見られるように、トレーは明るい場所に置きます。

Step10

例外に対処する

起きること対応
基準の円が見つからない・4つの値が大きく違う測定をせず、トレーを置き直すよう画面に出す
傘が升目の縁に触れている・2つ入っているその升に印を付け、担当が並べ直す
傘が割れている・欠けているsolidity が低い升に形の印を付ける
ひだが下を向いているひだの色の割合が極端に低く茶色が多い升に印を付ける
照明が暗くなる・影が出る画像の明るさの平均が範囲外なら、印を付けて照明を確かめる
規格の表が改定された表を差し替え、差し替えた日を記録に残す
開きの確からしさの低い傘が増える品種や栽培の区分の変化を疑い、正解を足して学び直す
PCが止まる従来どおり目で選別し、紙に記録する
Step11

記録を残す

  • 撮った画像と時刻、トレーの番号、生産者
  • 升目ごとの測定の値(長径・短径・直径・形の数字・ひだの割合)と、開きの確率
  • 規格の表の版、階級と等級の案、印
  • 担当が確定した等級と、直した升
  • 生産者ごとの等級・階級別の数
  • 分類のモデルの版と、学習に使った正解の範囲

規格の表の版を残すのは、生産者からの問い合わせに答えるためです。 「先月はLだったのに」という問い合わせに、そのときの表と測った値で説明できます。

04実装レベルの3段階

最小構成:スマートフォンで撮り、Python で直径を測って物差しと比べる / 測定の確かめ
半自動化:上記+選別台のカメラで撮り、直径と階級の案を画面に出す / 階級の判定
本格構成:上記+開きの分類、等級の案、印、生産者ごとの記録と精算の表への書き出し / 測定から記録まで

本記事の想定は本格構成です。 1件12分が4分になるのは、迷う・測る・数える・書くがなくなるからです。残る4分は、トレーに並べ、印の傘を手に取り、汚れや肉厚を見て確定する時間です。 半自動化で階級だけを先に使い始めます。 直径は物差しと比べて正しさを確かめやすく、担当も納得しやすい数字です。開きの分類は、正解がそろい、ベテランの線引きが揃ってから足します。 精算の表への書き出しは、最後に足します。 階級と等級の案が担当の確定とどれだけ食い違うかを1か月ほど見て、食い違いが落ち着いてから、生産者ごとの記録を精算の元として使い始めます。 それまでは紙の記録と並行して付け、両方の数が合うかを精算の担当が確かめます。

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
5 名
月間件数
150 件
1件あたり現在時間
12 分
1件あたり導入後時間
4 分
現在  150件 × 12分 ÷ 60 = 30 時間/月
導入後 150件 × 4分 ÷ 60 = 10 時間/月
月間削減時間
20h
削減率
67%
年間削減時間
240h
年間金額換算(時間単価3,500円)
84万円
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. 生産者から持ち込まれる生しいたけを、産地の出荷規格に沿って傘の大きさと開きで選別し、袋やパックに詰めて出荷する選別場・生産組合・農協の集出荷場。傘の直径を目で見て分け、迷うものだけ物差しで測っていて、担当によって階級の境目と「7分開き」の線引きが違う場合。出荷者ごとの等級別の数を紙に書き、精算の担当が集計し直している場合。選別台の上にカメラと照明を据え、しいたけを並べる升目のトレーを使える場合。
向いていない
  1. 持ち込みの量が少なく、目で見て分けても時間が足りる場合。選別の機械をすでに入れ、重さや大きさで自動で分けている場合。乾しいたけの選別(等級の決め方と見る所が違う)。なお、汚れ・病害虫・傘の肉の厚さ・水分はこの構成では判定しません。最終の等級は選別の担当が決め、規格の改定と運用は産地の取り決めに従います。

07最小構成で試す方法

  1. 升目のトレーを1枚作り、四隅に大きさの分かっている円を貼る
  2. 持ち込みのしいたけから境目に近いものを含めて100個を選び、ひだを上にして並べてスマートフォンで真上から撮る
  3. 同じ100個の長径と短径を、担当が物差しで測る
  4. 画像から測った直径と、物差しで測った直径を比べる
  5. ベテランの担当2人が、同じ100個に開きの区分を付け、割れた傘を数える
出てきた内容判断
画像の直径と物差しの直径の差が1〜2mmに収まる測定は使える。開きの分類に進む
差が大きい傘がある照明と輪郭の取り方を直す。影を傘と取っていないかを見る
2人の開きの区分が大きく割れる線引きを決めるのが先。 見本の写真を作る

3番の物差しの測定を省かないでください。 画像の測定の正しさは、物差しと比べるしか確かめようがありません。境目に近い傘を多めに入れると、階級が入れ替わる差がどれくらいかが分かります。 あわせて、担当どうしの物差しの測り方も比べてください。人が測っても1〜2mmの差は出るので、画像の測定に求める正しさの目安は、人どうしの差と同じくらいで十分です。

08実装時につまずきやすいポイント

問題対策
楕円の軸の長さで直径を出す凸包を回して長径と短径を測る。規格は長径と短径の平均
同じ面積の円の直径で階級を決める規格の定義と違う。使わない
カメラの高さの変化で長さが狂う撮るたびに基準の円で mm/画素を求める
影を傘の一部と取る真上からの拡散した光にし、物差しの測定と比べる
ひだの割合に柄の切り口が入る柄の円を除いてから割合を出す
penalty を書いた古い例を写すl1_ratio と C で書く
確率の列を取り違えるclasses_ で順を確かめる
少ないクラスを無視するclass_weight="balanced" を使う
画像で A の案が出たら A にする汚れ・病害虫・肉厚は担当が見てから確定する
境目の数字の「以上・未満」を決めずに作る産地の取り決めを確かめて表に書く
LL の傘が升の縁に触れて輪郭が欠ける升の寸法を最も大きな傘に合わせて決める
手伝いの人がひだを下にして並べるひだの色の割合の低い升に印を付け、並べ方を画面で知らせる

上の2行が、この構成で最も起きやすい誤りです。 どちらも画像の処理の教科書で直径としてよく使われる値で、規格の定義と違うことに気づかないまま階級を出してしまいます。

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: しいたけの画像、生産者の番号と名前、生産者ごとの等級・階級別の数(精算の元)。生産者の多くは個人の農家なので、名前と精算の数字は個人の情報として扱います。

  1. 生産者は番号で扱う … 画像と測定の記録には生産者の番号だけを入れ、名前との対応は精算の担当が持つ表に置きます
  2. 作業者が写らないようにする … カメラの範囲をトレーの上だけにし、手が写る画像は保存の前に捨てるか、升目の外として扱います
  3. 等級を自動で確定しない … 出すのは案で、担当が汚れ・病害虫・肉厚を見て確定します
  4. 精算の表に直接書かない … 生産者への支払いに直結するので、精算の担当が確かめてから写します
  5. 規格の運用は産地の取り決めに従う … この構成は、規格の数字を画像の測定に当てはめるだけです。規格の解釈を変えるときは、産地で決めてから表を差し替えます
  6. 生産者ごとの開きの傾向を、生産者の評価として扱わない … 開きの進んだ傘が多い生産者は、収穫の時期の相談の材料になりますが、一方的な評価に使うと選別場への信頼を損ねます

生産者に測った値を見せるときは、規格の表と一緒に見せます。 傘ごとの直径と階級の案は、選別への問い合わせに答える材料になります。ただし、ほかの生産者の数字が並ぶ画面や表をそのまま見せないようにし、その生産者の分だけを切り出して渡します。

誤りが起きた場合のリスクは、階級や等級を誤って精算が変わることです。 規格の定義どおりの測定、境目の印、担当の確定の3つで抑えます。

10まず何から始めるか

1週目:物差しと比べる

第8章のとおり、升目のトレーと基準の円を作り、100個の傘を撮って物差しの測定と比べます。境目に近い傘を多めに入れます。

2週目:開きの線引きを揃える

ベテランの担当2人が同じ傘に開きの区分を付け、割れた傘を集めて話し合います。見本の写真を作り、手伝いの人にも見せます。

3週目:規格の表を作る

産地の出荷規格から、階級の範囲と等級の条件を表にします。境目の「以上・未満」と、画像で見ない項目を明記します。

4週目:選別台で階級だけを出す

カメラと照明を据え、直径と階級の案を画面に出します。この時点では開きの分類を使わず、階級の印だけを見ます。 担当が境目の印の傘を物差しで測り直し、画像の値とどれだけ違ったかを1週間記録します。その差が人どうしの差と同じくらいに収まっていれば、階級の案をそのまま使い始めます。

2か月目: 開きの分類を足し、等級の案と印を出します。3か月目以降: 生産者ごとの記録を精算の表の隣に書き出し、月に1回の学び直しを続けます。持ち込みの多い時期を1回越え、手伝いの人が選別しても階級と開きの線引きが揃うようになった時点で、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:2026-11-17/最終更新:2026-11-17
確認した内容情報源確認日
生しいたけの等級 A(菌傘の開きが7分開き以内、色沢・形状良好、肉厚、水分が少なく汚染・病虫害のないもの)・B・C、階級をかさの直径(長径と短径の平均値)で分け L 6〜8cm・M 4〜6cm・S 3〜4cm、8cm超を LL・3cm未満を SS とできること(産地の規格の例)山形県: きのこの出荷規格(PDF)2026-11-17
regionprops の solidity・feret_diameter_max・eccentricity・axis_major_length・axis_minor_length・equivalent_diameter_area の定義、area が spacing で換算されること、regionprops_table(scikit-image 0.26.0)scikit-image: skimage.measure2026-11-17
penalty が1.8で非推奨・1.10で削除予定で l1_ratio と C で書くこと、class_weight の balanced、3クラス以上で多項の損失、predict_proba の列が classes_ の順でソフトマックスの確率、max_iter の既定100(scikit-learn 1.9.1)scikit-learn: LogisticRegression2026-11-17

最終の等級は選別の担当が決め、規格の運用は産地の取り決めに従ってください。 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-3646)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