竹炭・活性炭製造における炭化度AI判定と活性化度検査で品質管理を最適化する方法

AI 炭化 活性炭 品質管理は、職人の勘に頼ってきた竹炭・活性炭製造の炭化度・活性化度判定を数値化し、品質のばらつきを抑える手法として注目されている。

監修：FURUSATOコンサルタント（地方中小企業AI活用支援）

AI 炭化 活性炭 品質管理とは？炭化度・活性化度をAIで判定する仕組み

炭化度とは、原料の竹や木材がどこまで炭化(熱分解)が進んだかを示す指標であり、色合い・重量減少率・叩いたときの音(金属音に近いほど炭化が進んでいる)で職人が判断してきた。活性化度とは、炭の表面に無数の微細な穴(細孔)をどれだけ形成できたかを示す指標で、この細孔の量と質が消臭・浄水・脱色などの吸着性能を左右する。

AI 炭化 活性炭 品質管理では、この2つの指標を人の感覚に頼らず数値化する。具体的には、窯出し直後の炭をカメラで撮影し、色味(RGB値・輝度分布)と表面テクスチャを画像解析AIが読み取り、重量・比重データと組み合わせて炭化度スコアを算出する。活性化度については、メチレンブルー吸着性能試験やヨウ素吸着性能試験の測定値をクラウドに蓄積し、原料ロットごとの傾向をAIが学習することで、次バッチの活性化条件(温度・時間・水蒸気量)を提案する仕組みが広がりつつある。ある浄水用活性炭メーカーの実務データでは、AI判定導入後、活性化度のばらつき(標準偏差)が導入前と比べて約38%縮小したという報告もある。

測定手法としては、画像解析に加えて近赤外分光(NIR)センサーを併用する事例も増えている。近赤外光を炭に当てて反射スペクトルを取得すると、表面だけでなく内部まで炭化が進んでいるかを推定しやすくなり、外側は炭化していても中心部が生焼けのまま出荷されてしまう「芯残り」の見逃しを減らせる。ある工業用活性炭メーカーでは、芯残り品の混入率が導入前の月間約3%から、導入半年後には0.5%以下まで下がったという実務報告もあり、画像解析単体よりも複数センサーを組み合わせたほうが精度は安定しやすい。

この話、マンガで読めます（無料・登録なしで途中まで）町工場編｜ベテランが休むと見積もりが止まるワケマンガで読む →

地方の竹炭・活性炭製造現場が抱える3つの課題

地方中小企業の竹炭・活性炭製造現場を見ていくと、課題は設備そのものより属人化・人手不足・アナログ業務の三重構造にあることが多い。窯出しのタイミングや活性化の進み具合の判断は、20〜30年のベテラン職人の感覚に依存しているケースがほとんどで、その職人が休むと出荷判定ができない、あるいは経験の浅い従業員が判断して不良ロットを出荷してしまう、という実際の業務シーンが繰り返し発生する。

例えば、九州のある竹炭製造会社(従業員12名)では、炭化度の最終判定ができる人材が社長本人1人しかおらず、社長不在の日は出荷判断そのものが止まるという属人化リスクを抱えていた。さらに検査記録は紙の帳票に手書きで残すのみで、過去の窯入れ条件と品質の相関をデータとして振り返ることができず、不良ロットが出ても原因の特定に数日かかっていた。地方の製造業では特定の熟練者しかできない工程を抱える事業者が多く、これは竹炭・活性炭業界に限った話ではない構造的な課題である(経済産業省)。

加えて、技術継承の問題も深刻である。竹炭・活性炭製造の窯の管理者は平均年齢60歳を超える事業所が珍しくなく、後継者となる若手従業員が入っても、炭化の進み具合を音や匂いで判断する感覚を言葉で教えることが難しく、一人前になるまで数年かかるという実際の業務シーンが多くの現場で見られる。中国地方のある活性炭メーカーでは、ベテラン職人が半年後に退職を控える中、判断基準を後任にどう引き継ぐかが経営課題となり、窯出しのたびに炭を撮影してデータ化する取り組みを始めたことが、AI品質管理導入のきっかけになった。

炭化度AI判定の仕組みと導入事例

炭化度AI判定の基本構成は、①窯出しラインに設置した産業用カメラ、②色味・形状を解析する画像認識モデル、③過去データとの照合で炭化度スコアを表示するダッシュボード、の3点で成り立つ。特別な大規模設備は不要で、既存の選別ラインにカメラとタブレットを追加する程度から始められる点が、地方中小企業にとって導入のハードルを下げている。

四国のある竹炭製造会社(農業用・土壌改良材向け)では、繁忙期に人手不足からパート従業員が炭化度判定を担うことが増え、判定基準が日によってばらつき、返品率が上昇していた。AIによる炭化度判定を選別ラインに導入した結果、導入後45日で返品率が従来の約7%から2%台まで低下し、パート従業員でも一定基準で一次選別ができる体制に変わった。判定に迷う中間帯のロットのみベテラン職人が最終確認する運用にしたことで、熟練者の負担も同時に軽減されている。これは「AIが人を置き換える」のではなく、「AIが判断基準を可視化し、人の役割を再配置する」という業務変革の典型例である。

活性化度検査と吸着性能の最適化

活性化度の検査で特に重要なのが、メチレンブルー吸着性能とヨウ素吸着性能の測定である。これらは水質浄化用・脱臭用の活性炭として出荷できるかどうかを左右する数値であり、本来は薬品を使った滴定試験で人手による測定が必要になる。AIを組み合わせることで、過去の測定値・窯入れ条件・原料の竹の産地や含水率といったデータを学習させ、「この条件なら吸着性能がどの程度になるか」を窯入れ前に予測する運用が可能になる。

中部地方のある活性炭メーカー(食品用・醸造脱色向け)の実際の業務シーンでは、これまで活性化炉から出したあとに吸着性能試験を行い、基準未達なら再活性化するという後工程での手戻りが月に数回発生していた。原料データと活性化条件をAIに学習させたところ、再活性化の発生率が導入前の月平均6回から2回程度まで減少し、燃料コストと工程時間の両方を削減できた。吸着性能は原料のロットごとにばらつくため、AIによる予測はあくまで判断材料の一つであり、最終的な品質保証は人による確認と組み合わせる設計が現実的である。

輸出・大口取引先向けの品質証明とAIデータの重要性

竹炭・活性炭は国内需要だけでなく、東南アジアや欧米への輸出、大口の浄水事業者・食品メーカーとの取引でも扱われる。こうした取引先は、炭化度・活性化度・吸着性能についてロットごとの検査データの提出を求めることが多く、紙の帳票では対応しきれず商談自体を逃してしまう実際の業務シーンが起きている。

関西のある活性炭メーカーでは、海外の水処理事業者から品質データの定期提出を条件に取引を打診されたものの、当時は紙の検査記録しかなく、月次でのデータ整理に社員が3日近くかかる状態だった。検査データをAIとクラウドで一元管理する体制に切り替えた結果、データ提出にかかる作業時間が3日から半日程度に短縮され、取引先からの信頼性評価も向上した。海外や大口取引先とのやり取りが視野に入る事業者ほど、AIによる品質データの蓄積は「あれば良いもの」ではなく「取引継続の前提条件」になりつつある。

従来の官能検査とAI品質管理の比較

竹炭・活性炭製造における品質判定の方式を整理すると、それぞれに向き不向きがある。地方中小企業の多くは、いきなり全面的にAIへ置き換えるのではなく、官能検査とAI判定を併用しながら段階的に移行している。

判定方式	所要時間の目安	属人化リスク	初期コストの目安	精度・再現性
熟練者の官能検査(目視・匂い・音)	1ロットあたり数分〜十数分	非常に高い(後継者不足で継承困難)	ほぼゼロ	熟練度に依存し個人差が大きい
薬品による吸着性能滴定試験	1回あたり30分〜1時間	中程度(手順化はしやすい)	数万円〜(試薬・器具)	数値化できるが工程は後追い
AI画像判定＋データ蓄積型	数秒〜数十秒(撮影後は自動)	低い(基準がデータとして残る)	数十万円〜(カメラ・ソフトウェア)	データ蓄積量に応じて精度が向上

この比較からわかる通り、AI品質管理の強みは「判定の速さ」よりも「基準が属人化せずデータとして残る」点にある。中小企業の生産性向上においては、こうしたデータの蓄積と可視化が土台になると位置づけられている(中小企業基盤整備機構)。

竹炭・活性炭製造業でのAI導入事例

実際の導入は業種・用途によって狙いが異なる。ここでは代表的な3つの事例を紹介する。

• 消臭剤・寝具用竹炭メーカーの場合：粒度と色味のムラが商品クレームに直結するため、出荷前の全数検査にAI画像判定を導入。検査人員を2名から1名に削減しつつ、クレーム件数を導入前の半年間で15件から3件へ減らした。
• 浄水用活性炭メーカーの場合：吸着性能のロット間ばらつきが取引先からの信頼に直結するため、原料受け入れ時のデータとAI予測を組み合わせ、活性化条件を事前調整する運用に変更。取引先への性能保証書の発行にかかる作業時間が従来の半分程度に短縮された。
• 工業用(排ガス処理)活性炭メーカーの場合：大口取引先から品質データの提出を求められる機会が増え、紙の検査記録では対応が追いつかなくなっていた。検査データをクラウド化しAIで異常値を自動検知する仕組みを導入した結果、監査対応にかかる準備工数が大幅に減り、営業担当が本来の商談活動に充てられる時間が増えた。
• ペット用・園芸用の消臭炭メーカーの場合：小ロット多品種の生産で、ロットごとに検品担当者が変わることによる基準のばらつきが課題だった。AI画像判定を導入し、担当者が変わっても同じ基準で一次選別できる体制にしたことで、社内検品後に自社で発見する不良の割合が導入前の月平均9%から4%程度まで下がった。

いずれの事例にも共通するのは、AI導入の目的が「検査の自動化」そのものではなく、属人化していた判断基準を組織の資産に変える業務変革だった点である。

AI品質管理導入のステップとコスト

地方中小企業が炭化度・活性化度のAI品質管理を導入する際は、いきなり大規模なシステムを入れるのではなく、次のような段階を踏むと失敗しにくい。

• ステップ1：現状の検査工程と判断基準の棚卸し(誰が・どんな基準で・何分かけて判定しているかを可視化する)
• ステップ2：小規模なカメラ・データ記録の試験導入(既存ラインの一部でPoCとして数十万円規模から開始)
• ステップ3：熟練者の判断基準を数値データとして蓄積(AIが学習できる状態にデータを整える)
• ステップ4：一次選別をAI、最終判定を熟練者が担う体制に移行
• ステップ5：吸着性能データも含めた全社的な品質データ基盤への統合

初期費用は、カメラと簡易な画像解析ソフトウェアの組み合わせであれば数十万円〜100万円台、吸着性能データまで含めたクラウド基盤を構築する場合は数百万円規模になることもある。ただし、いきなり大規模投資をする必要はなく、ステップ2のPoC段階で効果を確認してから本格導入に進む地方中小企業が多い。効果測定の目安としては、①返品率・クレーム件数、②再活性化や手戻りの発生回数、③検査・データ整理にかかる作業時間、の3つをステップ2のPoC段階から記録しておくと、投資判断の材料になりやすい。おおむねPoC開始から3〜6か月で、返品率や手戻り件数の変化として効果が見え始める事業者が多い。

地方中小企業がAI活用で失敗しないためのポイント

竹炭・活性炭製造に限らず、地方中小企業のAI活用でよくある失敗は、「システム導入ありき」で進めてしまい、現場の業務の流れを変えないままツールだけを追加してしまうことである。結果として、熟練者が今までのやり方を続け、AIのデータが蓄積されずに形骸化するケースは少なくない。実際、ある活性炭メーカーでは、補助金を使ってカメラ設備だけを導入したものの、検査手順や記録の運用ルールを見直さなかったため、半年経ってもデータがほとんど蓄積されず、投資が宙に浮いてしまった例もある。

FURUSATO(フルサト)は、地方中小企業専門のAI活用・DX支援サービスとして、いきなりシステム提案をするのではなく、無料のオンライン相談（30〜60分）で課題整理から着手することを大切にしている。製造業・建設業・物流・卸売業・サービス業など業種別の支援実績があり、竹炭・活性炭製造のように専門性が高く外部の目が入りにくい現場でも、「ITシステム導入」より先に「業務変革」——つまり判断基準や工程そのものの見直し——から入ることを重視している。担当者だけでなく経営者・社長を巻き込んで進めるのは、炭化度の最終判断が社長にしかできないといった構造そのものを変えるには、現場担当者だけの合意では進まないためである。

よくある質問(FAQ)

Q: AI 炭化 活性炭 品質管理は小規模な竹炭製造会社でも導入できますか？

A: 可能である。カメラと簡易な画像解析ソフトウェアの組み合わせであれば数十万円規模から始められ、既存の選別ラインに追加する形で導入している地方中小企業もある。

Q: 炭化度と活性化度の違いは何ですか？

A: 炭化度は原料がどこまで炭化したかを示す指標、活性化度は炭の表面にどれだけ細孔(微細な穴)が形成されたかを示す指標で、吸着性能に直結する。

Q: AIを導入すると熟練職人の仕事はなくなりますか？

A: なくならない。多くの事例では一次選別をAI、判断に迷う中間帯の最終確認を熟練者が担う形に役割を再配置し、負担軽減と技術継承の両立を図っている。

Q: 吸着性能のAI予測はどの程度当たりますか？

A: データ蓄積量に依存する。導入初期は参考値にとどまるが、原料ロットや窯入れ条件のデータが蓄積されるほど予測精度が上がり、再活性化の手戻りを減らせる。

Q: FURUSATOにはどんな相談から始められますか？

A: システム提案からではなく、無料のオンライン相談で検査工程や判断基準の棚卸しから始める。導入の是非も含めて相談できる。

地方中小企業のAI活用・DX推進でお悩みの方は、FURUSATO（フルサト）へお気軽にご相談ください。まず無料のオンライン相談（30〜60分）で、御社の課題を一緒に整理します。