検査員4分の1へ、毎分500個のチーズを5面撮影で見分けるAI外観検査

検査員ごとにばらついていた品質基準を標準化し、明確な数値基準へ置き換えた工程が、この取り組みの土台になっています。AIの判定精度は学習データの質でほぼ決まりますが、そのデータに付ける正解ラベルは、基準が定まっていなければ誰にも付けられません。基準づくりを外部任せにせず、現場を知る側が主導して精度の高い学習モデルを作り上げた進め方は、判定のずれを後から補正する手戻りを構造的に減らします。

対象物の性質に合わせてデータ収集の段取りを組み替えた点も見逃せません。充填直後のチーズは柔らかく形状が変わりやすいため、ラインから排出される前に不良品へ急いでラベルを付けるという、時間に追われる地道な作業が求められています。撮りためた画像を後から机上で仕分ければ済む、という前提が通用しない対象に対し、収集のその場で正解を確定させる運用を選んだ判断が、学習データの信頼性を支えていると考えられます。

三つ目の要因は、精度が出ない原因を光学条件まで遡って潰していったことです。アルミ包装材の光沢や影が学習に悪影響を及ぼすという壁に対しては、モノクロカメラからカラーカメラへの変更やレンズの調整が繰り返され、そのたびに学習用データセットが作り直されました。清水建設という開発パートナーと役割を分担しながら、アルゴリズムの調整だけでなく撮影条件そのものを設計の変数として扱った点に、この進め方の粘り強さが表れています。