食品ラインの個数カウント・異物検出を、変形・重なり・多品種のまま回す

食品 個数カウント・異物検出AIが抱える3つの詰まり

1. 食品は製造工程で形が変わる——工業部品の前提が効かない

パンは膨らみ方が個体差、惣菜は盛り付けでばらつき、冷凍食品は凍結時に重なる。工業部品のように「常に同じ形」という前提が成立しません。ルールベースの固定パターンマッチングは変形に弱く、CNN セグメンテーションによる領域分離と、変形許容度を持つ個体識別アルゴリズムが必要になります。

2. 午前カレーパン、午後あんぱん——短サイクル切替に検査が追いつかない

食品ラインは1日の中で商品が何度も切り替わります。1品種の学習に数日かかる従来型AIでは、切替スピードに追いつきません。ブラウザ学習UIで数十枚の画像から数時間で新品種を登録できる構成、かつMESやラインコントローラからの品種信号で検査モデルを自動切替する構成が、食品現場では必須条件です。

3. HACCP・衛生筐体・ロット紐付け——検査システム自体が衛生基準を満たす必要

食品ラインは衛生管理が最優先です。カメラ・照明・筐体の材質選定、洗浄可能性、粉塵・水滴耐性（IP66以上）、エアカーテン、異物検出結果のロット・時刻・ラインIDへの自動紐付け——検査システムそのものが HACCP 基準に組み込める形でないと、そもそも設置許可が下りません。

従来構成との違い

Nsight の解決アプローチ

食品ラインの検査自動化は、AI精度よりも「HACCP基準の中に検査システムが自然に収まるか」が成否を分けます。Nsightは衛生筐体・洗浄可能性・異物検出結果のロット紐付けを、後付けではなく最初から設計に組み込んでいます。AI側は CNN セグメンテーションによる重なり分離と、VLM による新品種の自動アノテーション補完を担当し、短サイクル切替に対応します。

重なり・変形にロバストな CNN セグメンテーション

食品は製造工程で形が変わる前提で設計します。CNN ベースのセグメンテーションで重なり領域を個体ごとに分離し、変形があっても個体識別できるアルゴリズムを組み合わせます。完全重なり（上下完全に隠れる）は原理的に困難ですが、部分重なり・接触状態は高精度で分離可能です。

IP66衛生筐体・洗浄可能素材・HACCPロット紐付け

筐体は IP66 以上の防塵防水、素材はステンレス・耐薬品塗装など洗浄可能な仕様を選定します。異物検出結果はロット・時刻・ラインID・オペレーターIDと自動紐付けし、HACCP文書にそのまま添付できる形式で保存します。監査対応時に即応できます。

短サイクル切替に対応する学習UI

新品種の検査モデル追加は、現場オペレーターがブラウザ学習UIから数十枚の画像で数時間で完了します。既存品種の切替は MES または PLC から品種IDを受け取って自動切替。午前カレーパン・午後あんぱん・夕方食パン——1日3〜5品種の切替でも検査が律速しない構成です。

精度を担保するための条件

精度が出やすい条件

• 搬送面の背景が単色（白・黒・青）で固定できる
• カメラ俯瞰撮像で部分重なり程度に整列されている
• 本番ライン前に良品画像が数十枚以上揃う
• 照明を密閉筐体内で固定できる（現場照度に左右されない）
• 品種信号をMES/PLCから取得できる

難易度が上がる条件と対応策

• 凍結食品の表面反射（偏光+拡散照明で対応）
• 粉塵・湯気の多い環境（IP66+エアカーテンで対応）
• 完全重なり（原理的に困難、ライン側で整列を改善）
• 極端に小さい異物（高解像度+X線検査との組合せ推奨）
• 透明包装越しの検査（同軸照明+角度最適化で対応）

従来構成との費用構造比較

参考にできる導入事例・関連情報

CASE STUDY

食品製造ラインのカウント自動化

食品製造ラインの個数カウント自動化事例。重なり・変形のあるパンを高精度でカウントした実装実績で、CNN セグメンテーションによる部分重なり分離の検証結果を含みます。

導入までの4ステップ

食品は衛生要件（IP等級・洗浄SOP・HACCPチェックリスト）の事前確認が期間を決めます。画像受領時に現場SOPを先に共有いただきます。

Nsightのサービス詳細