米菓 画像検査 AIで焼きムラ・割れを自動判定｜煎餅工場の歩留まりと廃棄ロスを改善する方法
目次9項目
米菓 画像検査 AIは、焼きムラや割れを自動で判定し、歩留まりと廃棄ロスを減らす手段です。地方の煎餅工場でも小さく始められます。
- 米菓の画像検査AIで判定できる不良の種類（焼きムラ・割れ・欠け・焦げ）
- カメラ・照明・学習データなど、検品の仕組みと必要な設備
- 目視検査との比較と、歩留まり・廃棄ロスの改善の考え方
- 1ラインから始める5ステップの導入手順と失敗しやすい点
- 地方中小企業が社長を巻き込んで進めるときのポイント
米菓 画像検査 AIは、カメラで撮影した煎餅の色と形をAIが判定し、焼きムラや割れを自動で選別する仕組みです。目視検査の属人化を解消し、廃棄ロスの削減につながります。まず1ラインの1つの不良から小さく始めるのが成功の近道です。
米菓の画像検査AIとは？何を自動で判定できるのか
米菓の画像検査AIとは、ベルトコンベア上を流れる煎餅やあられをカメラで撮影し、AIが「良品」か「不良品」かを数十ミリ秒で判定する仕組みです。人の目で行っていた外観検査を、画像データの学習によって置き換えます。
判定できる主な不良は次のとおりです。
- 焼きムラ：焼き色が薄い、濃い、部分的に白い
- 焦げ：端や表面の黒ずみ
- 割れ・欠け：搬送や焼成中に生じた破損
- 形状不良：反り、膨らみ過ぎ、サイズ違い
- 異物：袋詰め前の毛髪や焦げカスなどの付着
たとえば、ぬれ煎餅や醤油煎餅の工場の場合、焼きムラは「焼き色の段階」を数値化して判定します。1枚ごとの色むらを写真で判定するため、検査員の経験や体調に左右されません。
従来のルールベースの検査機は「色が基準値より濃いか」を見るだけでした。AIは「少し濃いが製品として許容できる焼き色」と「焦げ」を区別できます。この違いが、米菓のような自然な個体差のある食品に向いている理由です。
この話、マンガで読めます（無料・登録なしで途中まで）洋菓子店編｜「作りすぎ」と「売り切れ」、どちらも損しているワケマンガで読む →煎餅・米菓工場で目視検査が限界を迎える理由は何か
目視検査が限界を迎える最大の理由は、検査員の人手不足と判断のばらつきにあります。地方の中小企業では、ベテランの検査員が定年を迎え、後任が育たない例が増えています。
焼き工程の現場を例にします。1分間に数百枚が流れるラインで、検査員は焼き色と割れを同時に見ます。集中力が続くのは30分前後といわれ、長時間の検査では見逃しが増えます。午前と午後、担当者ごとに合格の基準が違うことも珍しくありません。
ある地方の煎餅工場を想定します。この工場では、焼きムラの判定が「ベテランのAさんしかできない」状態でした。Aさんが休むと、基準が緩くなってクレームが増え、反対に厳しくなると廃棄が増えます。これが属人化です。
経営面では次の3つの損失が重なります。
- 見逃し：不良品が出荷され、返品や信頼低下につながる
- 過剰排除：まだ売れる品を廃棄し、歩留まりが下がる
- 人件費：検査工程に常時2〜4名を固定で配置する
経済産業省も、中小企業の人手不足への対応として、省力化投資の推進を呼びかけています。詳しくは経済産業省の公開情報で確認できます。
米菓 画像検査 AIは焼きムラ・割れをどう判定するのか
判定の流れは「撮影」「学習」「判定」「選別」の4段階です。難しく見えますが、現場で必要な設備は意外とシンプルです。
1. 撮影：カメラと照明が精度の8割を決める
工業用カメラをコンベアの上に設置し、一定の明るさで撮影します。米菓は表面に光沢があり、醤油の塗りや海苔の有無で反射が変わります。そのため、照明の当て方で判定精度が大きく変わります。ドーム型やリング型の照明で影を消すのが基本です。
2. 学習：良品と不良品の写真を集める
AIには、良品と不良品の写真を学習させます。目安は、不良の種類ごとに数百枚から1,000枚程度です。不良品が少ない工場では、廃棄箱に入った品を撮影して集めます。
ここで重要なのは「何をもって不良とするか」を社内で決めることです。たとえば、焼き色の濃さを5段階に分け、1と5は不良、2〜4は良品とします。基準が曖昧なままではAIも迷います。
3. 判定：画像から合否を瞬時に出す
学習したAIが、1枚ごとに合否と理由（焼きムラ、割れなど）を出します。判定結果はパソコンの画面に表示され、不良の種類ごとの件数も記録できます。
4. 選別：エアーで弾いてラインから外す
不良と判定された品は、エアーノズルや排出アームでラインから外します。手作業の選別に比べ、人が箱を見て回る手間もなくなります。
あられやおかきの場合は、粒が小さく重なりやすいため、カメラの台数を増やす、振動フィーダーで1列に整列させるなどの工夫が必要です。製品の形に合わせて設計することが成功のポイントです。
歩留まりと廃棄ロスは、AI検品でどれだけ改善するのか
AI検品の効果は、「見逃しの削減」「過剰排除の削減」「検査工数の削減」の3つで測ります。数字は工場の状況で変わるため、導入前に現状を数えておくことが欠かせません。
次のような試算の考え方があります。
- 1日の生産量が10万枚の工場で、廃棄率が3%なら、1日の廃棄は3,000枚
- 過剰排除が減って廃棄率が2%になれば、1日1,000枚が製品に戻る
- 1枚の原価を10円とすると、1日1万円、年間約300日稼働で約300万円の差になる
この数字は一例にすぎません。実際には、自社の生産量・原価・廃棄率に置き換えて計算します。
焼き工程と検品工程の関係も重要です。AIが焼きムラの傾向を記録すれば、「午後2時以降に焼きムラが増える」「オーブンの奥の列が濃くなる」といった偏りが見えます。検品のデータが、焼成条件の改善に使えるのです。
たとえば、焼きムラのデータをもとに、オーブンの温度設定や生地の水分量を見直したとします。すると、不良そのものが減り、検品で弾く量が少なくなります。これが、検品AIを「選別機」で終わらせず「改善の道具」にする考え方です。
検査員の工数も変わります。2〜4名で行っていた全数目視を、AIの判定結果の確認と抜き取りに切り替えれば、人は別の工程（包装、品質記録、新商品の試作）に回せます。
目視検査・従来の検査機・画像検査AIの違いは何か（比較表）
3つの方式を、地方の中小企業が判断しやすい観点で比べます。
| 項目 | 目視検査 | 従来のルールベース検査機 | 画像検査AI |
|---|---|---|---|
| 焼きムラの判定 | 人によって差が出る | 色の閾値のみで判定 | 許容範囲を学習して判定 |
| 割れ・欠けの判定 | 見逃しが出やすい | 形状が決まった品に向く | 形が不揃いな品にも対応 |
| 新商品への対応 | 教育に時間がかかる | 設定の作り直しが必要 | 写真の追加学習で対応 |
| 判定の記録 | ほぼ残らない | 合否の件数のみ | 画像と理由を保存できる |
| 人手への依存 | 高い | 中程度 | 低い |
| 導入のハードル | 低い | 中程度 | 撮影環境と学習が必要 |
多品種を少量ずつ作る地方の米菓工場では、新商品のたびに設定を作り直す従来の検査機は使いにくい場面があります。画像検査AIは、写真の追加で品種を増やせる点が強みです。
一方、すべての工程をAIに任せる必要はありません。最初は「焼き上がり直後の色」だけ、あるいは「袋詰め前の割れ」だけなど、1か所に絞るのが現実的です。設備投資の一般的な支援制度については、中小企業基盤整備機構（中小機構）の情報が参考になります。
米菓工場が画像検査AIを導入する手順は？1ラインから始める5ステップ
導入は「現状の数値化」から始め、5つのステップで進めます。いきなりシステムを選ぶと、現場で使われないまま終わるおそれがあります。
- 現状を数える：不良の種類別の件数、廃棄量、検査にかかる人数と時間を1〜2週間記録する
- 基準を決める：焼き色の限度見本を作り、良品・不良の線引きを社内で共有する
- 1ラインで試す：最も廃棄が多い品種を選び、撮影と学習を行う
- 目視と並べて比べる：AIと検査員の判定を数日間並行させ、一致率を確認する
- 運用に組み込む：選別の自動化、記録の保存、焼成条件へのフィードバックを仕組みにする
おかきを作る工場の場合を考えます。最初に手間がかかるのは、実は基準づくりです。製造部長、検査員、営業担当で限度見本を見比べると、「この焼き色はお客様に出せる」「これは出せない」という感覚が人によって違うことがわかります。この線引きを言葉と写真で揃える作業が、AI導入の最初の成果になります。
導入期間の目安は、現場の状況により1〜3か月程度です。撮影環境の調整に時間がかかる場合は、さらに延びることがあります。
また、検査員の仕事がなくなるわけではありません。AIの判定を確認し、基準を更新する役割が新たに生まれます。検査員が「基準を決める人」になることで、現場の納得感も高まります。
米菓の画像検査AI導入で失敗しやすいポイントは何か
失敗の多くは、AIの性能ではなく、準備と運用の不足から起きます。次の4点に注意してください。
照明と撮影環境を軽く見る
工場の窓からの日光や、蛍光灯の交換で画像の明るさが変わると、判定がぶれます。カメラ周辺を覆って光を一定に保つ工夫が必要です。
不良品の写真が足りない
良品ばかりを集めても、AIは不良を見分けられません。工程が安定している工場ほど不良が少なく、学習データが集まりにくいという皮肉があります。意図的に不良を集める期間を設けましょう。
季節で製品が変わることを忘れる
米菓は、湿度や原料米のロットで焼き色が変わります。夏と冬で基準を見直さないと、判定がずれます。定期的に追加学習を行う運用を決めておきます。
現場に説明せず、押し付ける
「AIで検査員が要らなくなる」と受け取られると、協力が得られません。目的は人を減らすことではなく、見逃しと過剰廃棄を減らし、人を付加価値の高い仕事へ回すことだと、最初に社長が伝えることが大切です。
食品の異物混入や衛生管理については、厚生労働省がHACCPに沿った衛生管理の情報を公開しています。画像検査は、その記録を残す手段としても役立ちます。詳しくは厚生労働省のサイトを参照してください。
地方中小企業が画像検査AIを進めるとき、FURUSATOはどう支援するのか
FURUSATO（フルサト）は、地方中小企業専門のAI活用・DX支援サービスです。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ます。
FURUSATOが大切にしているのは、「ITシステムの導入」ではなく「業務変革」です。画像検査AIも同じで、カメラやAIを選ぶ前に、検品の基準・人の役割・記録の使い方といった仕組みを整えます。ツールより先に仕組みを変える、という考え方です。
進め方は次のとおりです。
- 入口は無料のオンライン相談（30〜60分）：現場の課題と目的を一緒に整理します。いきなりシステムを提案することはありません
- 初回現場セッション（1回10万円）：その後、1〜1.5か月かけて、業務改善の仕組みを現場とともに構築します
- 導入費用はご相談時に一緒に整理します
地方中小企業の三大課題は、属人化・人手不足・アナログ業務です。米菓の検品は、この3つが同時に表れる典型的な業務といえます。焼きムラの判定が特定の検査員に偏り、人手が足りず、記録が紙やメモで残らない、という状態です。
また、FURUSATOは担当者だけでなく、経営者・社長を巻き込んだ変革を支援します。検品の基準を変えるには、品質の考え方、歩留まりの目標、設備投資の判断が絡みます。現場だけでは決められないことが多いため、社長が最初から議論に加わることが成功の条件になります。
なお、設備投資に使える補助制度は、国や自治体が一般的に用意しています。制度の内容や条件は年度で変わるため、経済産業省や中小機構の最新情報を確認してください。
まずは自社の廃棄ロスの数字を一度数えてみてください。数字が出れば、画像検査AIが必要かどうか、どこから始めるかが見えてきます。迷う段階でも、無料のオンライン相談（30〜60分）で整理できます。
よくある質問（FAQ）
- Q: 米菓の画像検査AIは小さな工場でも導入できますか？
- A: 導入できます。1ラインの1品種、1つの不良から始めれば設備も小さく済みます。最初に廃棄の多い工程を絞り、効果を確認してから広げる進め方が、地方の中小企業には現実的です。
- Q: 焼きムラの基準が人によって違うのですが、AIは使えますか？
- A: 使えますが、先に社内で基準を揃える必要があります。焼き色の限度見本を作り、良品と不良の線引きを決めてから学習させます。この基準づくり自体が、属人化の解消につながります。
- Q: 学習に必要な不良品の写真はどのくらい集めればよいですか？
- A: 不良の種類ごとに数百枚から1,000枚程度が目安です。不良が少ない工場は、廃棄箱の品を撮影して集めます。季節や原料米のロットが変わったら、追加で学習させる運用が必要です。
- Q: AI検品を入れると検査員は不要になりますか？
- A: 不要にはなりません。全数の目視はAIに任せられますが、判定結果の確認、基準の更新、焼成条件の改善といった役割が残ります。検査員が品質の基準を決める立場になる点が大きな変化です。
- Q: 導入前に最初に何から始めればよいですか？
- A: 不良の種類別の件数と廃棄量、検査にかかる人数と時間を1〜2週間記録してください。現状の数字があれば、効果の試算ができます。整理に迷う場合はFURUSATOの無料オンライン相談もご利用いただけます。
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。
無料のマンガ資料
洋菓子店編｜「作りすぎ」と「売り切れ」、どちらも損しているワケ
マンガで読む →
