異物なし183枚で誤検出ゼロ — 食品ラインの異物検査AIが、学習画像22枚で成立した理由

食品工場の異物検査で、現場が本当に困っているのは見逃しだけではない。過剰に弾くことである。誤検出が多い装置は良品まで排出し、歩留まりを落とす。数ヶ月で「感度を下げる」判断が下り、最後は電源を切られる。今回の論文は、この誤検出側に正面から答えている。異物のない183枚の検査画像に対して、誤検出ゼロ。しかも学習に使った注釈付き画像は、たった22枚である。

1. なぜ今、この研究なのか

理由1：評価が「誤検出ゼロ」で示されている。 精度の自慢ではなく、異物なし画像で1件も弾かなかったという形で報告されている。現場が装置を切る最大の理由に、直接答える指標だ。

理由2：学習データが22枚と極端に少ない。 実際の食品工場で、異物入りのサンプルを大量に用意することは現実的でない。この制約下で成立している点が実務的である。

理由3：金属探知機とX線では見えない異物を対象にしている。 樹脂、ゴム、木片、紙、段ボール。密度が食品に近い異物は従来手法の弱点であり、ここが埋まると検査体系そのものが変わる。

この記事で持ち帰れる3つのこと

1. 異物検査AIの評価を、見逃し率だけでなく誤検出率で見る考え方
2. 近赤外ハイパースペクトルで「見える異物」と「原理的に見えにくい異物」の区別
3. 実産業環境で精度を崩す、意外な要因

2. 論文を読む：豚バラ肉の上の異物を見分ける

2-1. 装置構成

• 波長域：近赤外 900〜1700ナノメートル
• スペクトルバンド：224バンド（ノイズの多い前後20バンドを除き184バンドを使用）
• 空間分解能：640画素、1画素あたり0.47ミリメートル
• 走査速度：毎秒527ライン

ラインスキャン方式で、コンベア上を流れる食品を連続撮像する構成である。

2-2. 対象異物

10種類を扱っている。ポリアミド／ポリプロピレン、ポリウレタン、金属、ポリエチレン、テフロン、ニトリル（手袋の材質）、木片、紙、段ボール、そして白色コンベアベルトの破片。

検出可能な最小サイズは、面積1平方ミリメートル以上、走査線方向に2画素以上。手袋の切れ端やベルトの摩耗片といった、現場で実際に混入する種類が含まれている点が実務的だ。

2-3. 手法

軽量なVision Transformerによる領域分割である。4段のTransformerブロック、各8つの注意ヘッド、埋め込み次元184（スペクトルバンド数と一致）。画像を20×16画素の小片に50%重なりで分割して処理する。

論文は、中心画素だけを分類する従来の小片方式と異なり、領域として分割する方式を採ることで学習時間を短縮したとしている。

2-4. 結果

異物ありの55枚については、脂身・赤身いずれの面でも大半の異物を検出したと報告されている。学習に使ったのは注釈付き画像22枚のみである。

2-5. 誠実な限界

本論文は Computers in Industry（Elsevier）に投稿・査読中であり、採択済みではない（2025年3月20日投稿）。加えて、導入判断に直結する留保が4点ある。

• 標準的な精度指標が報告されていない。 IoU、適合率、再現率、F1値、正解率のいずれも本文に明示がない。つまり「何%見逃すか」を数値で確認できない。誤検出側は明確だが、見逃し側の定量評価が弱い
• カメラ温度の変動が実産業環境で品質を落とす。 論文自身が、実際の産業現場ではカメラ温度が大きく変動し、補正の質、ひいては予測の質に影響すると明記している
• 学習画像22枚、しかも注釈の不正確さを著者自身が認めている。 異物と周囲の材料でスペクトルが混ざり、境界を正確に決められなかったとしている
• ポリエチレン（PEHD）の細片が最難関。 肉とスペクトル曲線が似た異物は、どのモデルでも困難だとしている

4点目は現場で決定的に重要だ。樹脂の種類によっては、原理的に見えにくいものがある。 この事実を理解しないまま「AIが異物を見る」と言い切ると、検査体系に穴が空く。

2-6. シリーズの地図

第12号（半導体・合成データ）、第21号（積層造形・少数ショット）に続き、本号もサンプル不足の中で検査AIを立ち上げる話である。ただし評価軸が違う。前2号が「当てられるか」だったのに対し、本号は「余計に弾かないか」を主軸に置いている。第18号の安全検出では再現率が最重要だったが、食品の異物検査では適合率も同じ重みで効く。用途によって評価軸が変わることの、わかりやすい実例だ。

3. 日本のビジネスに置き換えると何が起きるか

本章以降の適用シナリオは、論文が直接検証した範囲（豚バラ肉のライン検査）を超えた、当社の応用解釈である。他の食品・他工程での成立は実測による確認が必要になる。

日本の食品製造は、異物混入がそのまま回収・報道リスクに直結する。1件の混入事故で失う信頼は、検査装置の価格とは桁が違う。一方で、過剰排出による歩留まり低下も収益を直撃する。この二律背反の中で、誤検出ゼロという性質は現場の受容度を大きく変える。

ただし前提条件が2つある。第一に、既存の金属探知機・X線検査を置き換えるものではなく、その死角を埋める追加レイヤーであること。第二に、カメラ温度が変動する環境では性能が落ちるため、設置場所の環境管理が必要になること。冷蔵・冷凍帯での運用を考えるなら、ここは事前に詰めておく論点だ。

4. 導入シナリオ：PoC → 拡大 → 展開

フェーズ1：PoC（4ヶ月）
1ラインに絞り、実際に自社で混入実績のある異物（手袋片、ベルト片、包装材）を意図的に流して検出可能性を測る。評価は見逃し率と誤検出率の両方を必ず取る。この段階でカメラ設置位置の温度も記録する。

フェーズ2：拡大（6ヶ月）
対象ラインを広げ、既存の金属探知機・X線と検出結果を突き合わせる。どの異物をどの装置が担当するかという検査体系の設計が、この段階の主作業になる。

フェーズ3：展開（以降）
全ライン適用と、新しい包装材・手袋の材質を変更するたびに検出性能を再確認する運用を作る。資材変更の承認フローに、この確認を組み込む。

5. 残っている課題3点

課題1：見逃し率を確認しないまま導入する。 論文は誤検出ゼロを示すが、見逃し側の定量指標は示していない。自社データでの実測が必須である。

課題2：既存検査の置き換えと解釈する。 金属探知機・X線の代替ではなく補完である。既存装置を外す根拠には使えない。

課題3：資材変更時の再検証を怠る。 手袋や包装材の材質が変われば、スペクトルが変わる。購買部門による資材変更が、検査性能を静かに壊す経路になりうる。

6. 稟議で使えるキーワードと自己診断

キーワード1：歩留まりの改善。 異物対策ではなく歩留まり改善として起案する。品質部門だけでなく製造部門が味方になる。

キーワード2：検査体系の補完。 既存装置の死角を埋める位置づけを明記する。二重投資という指摘を先に潰せる。

キーワード3：少数データでの立ち上げ。 異物サンプルを大量に作らなくても始められる点を示す。準備期間の短さが説得材料になる。

自己診断チェックリスト

• 現行の異物検査で、良品をどれだけ排出しているか測定しているか
• 過去3年の異物クレームについて、異物の材質が記録されているか
• 金属探知機・X線で検出できない異物の種類を把握しているか
• 検査装置の設置環境の温度は、年間でどれだけ変動するか
• 手袋・包装材・ベルトの材質を変更する際、検査部門が確認しているか
• 目視検査に何名・何時間を割いているか把握しているか

上記の自己診断と稟議キーワードは、社内で最初の一歩を決めるための叩き台にしてほしい。

7. まとめ

キーメッセージ1：異物検査AIの評価軸は、見逃しと誤検出の両方である。 誤検出が多い装置は、性能に関係なく現場に切られる。

キーメッセージ2：樹脂の種類によっては、原理的に見えにくいものがある。 「AIが異物を見る」という理解のまま検査体系を組むと、穴が残る。

キーメッセージ3：資材変更が、検査性能を静かに壊す。 購買の意思決定と検査の性能が、目に見えない形で繋がっている。

一次ソース

• Gabriela Ghimpeteanu, Hayat Rajani, Josep Quintana, Rafael Garcia. “Hyperspectral Imaging for Identifying Foreign Objects on Pork Belly.” arXiv:2503.16086v1, 2025年3月20日投稿
• 掲載状況：Computers in Industry（Elsevier）に査読中。採択済みではない
• 装置：近赤外900〜1700nm、224バンド（使用184）、640画素／0.47mm、毎秒527ライン
• データ：学習用の注釈付き画像22枚、異物ありテスト55枚、異物なし183枚、温度変動試験208枚、難条件95枚
• 対象異物：ポリアミド／ポリプロピレン、ポリウレタン、金属、ポリエチレン、テフロン、ニトリル、木、紙、段ボール、白色ベルト

次号予告

第23号は、熟練者の遠隔支援を取り上げる。現場に人を送らずに、どこまで技術支援が成立するのか。人手不足と移動コストの両方に効く領域を扱う。