外観検査は、製品や原材料の品質が規格に合っているかどうかを判定する製造工程の１つで、不良や不要なもの(異物)が含まれていないことを保証するために行われます。食品製造の段階で、外観検査で検出しなければならない欠陥には主に以下のようなものがあります。

食品製造おける異物混入などの外観検査では主に「人による目視検査」と「検査装置による検査」が行われています。
ここではそれぞれの検査の概要とその課題について解説します。

目視検査の概要と課題

外観検査における一般的な方法は、人間の目で製品や原材料を確認して良否判定を行う「目視検査」です。目視検査は、特別な設備が不要で設備費用や開発費用などのイニシャルコストが発生しないため、教育を受けた検査員さえ確保できれば、すぐに目視検査を実施できるメリットがありますが、以下のような課題もあります。

• 人間の感覚で合否判定を行うのでヒューマンエラーが発生しやすい
• 検査員によって不良品の判定基準にばらつきが発生する
• 精神的・身体的疲れによって作業精度が下がる・スピードが遅くなる
• 人手不足に伴い、目視検査を行う人員の確保が難しい

検査装置による検査の概要と課題

目視検査の課題を解決するために、検査装置を導入して検査を自動化するケースもあります。

検査装置では、ルールベースで異常品の判定を行うことができます。ルールベースとは、あらかじめ判定基準を検査装置に設定し、そのルールに合致するかどうかで判定を行う方法です。ルールとして設定できる項目としては、面積、形状、色などがあげられます。検査装置の導入には一定のコストが発生しますが、検査速度の向上や人手不足への対応など、目視検査の課題を解決することができます。一方で、ルールベースで判断する検査装置には以下のような課題もあります。

• 明確にルールを定める必要があり、検査対象や背景にバリエーションがある場合はルール化できず検査できない
• 異常の種類が多い場合は、設定が複雑化する。また、設定が複雑化するほど、過検知（過剰検知）や誤検知が増える
• ルールの設定が属人化し、ノウハウが失われた場合に対応が難しい

特に食品は、金属製品やプラスチック製品とは異なり、大きさや形、色の濃淡のばらつきの度合いが大きかったり、味などのバリエーションが多くあったりします。これらのばらつきにルールベースでの検査装置で対応することは困難です。そのような理由で外観検査装置を導入できずに、目視検査で検査を行っている現場が多く残っています。

前述した目視検査や検査装置による食品製造の外観検査の課題はAIを導入することにより解消することができます。AI導入のメリットや課題、そして異物混入等に関する検査装置や目視検査の課題を解消するための取り組みが、外観検査へのAI導入です。AI導入のメリットや課題、そしてアラヤの外観検査用パッケージソフト「InspectAI」について説明します。

食品製造の外観検査におけるAI導入のメリット

AIによる外観検査は、目視検査やルールベースで判断する検査装置の課題を解決することができます。具体的には、AIを導入することで以下のようなメリットが得られます。

• ルールが定義できないような曖昧な基準の分類に対応できる
• 異常品のパターンが多い場合に対応できる

ルールベースで判断する検査装置とは異なり、AIの場合、入力されたデータに含まれる「特徴」を、AIが自ら学習して良否判定をできるようになるため、明確に正常品・異常品を定義する必要がありません。人の目で判断できるものであれば、事前に読み込ませた画像データより自動でAIが判断します。

一般的なAI導入の課題　

AIを使った外観検査は画期的な仕組みですが、一般的なAI開発には、大量の学習データ（画像）を準備する必要があります。正常品・不良品それぞれの画像データを数百枚程度用意して学習させなければなりませんが、以下のような課題があります。

• 不良品（異常品）の発生頻度が少ないため、画像の準備に時間がかかり、そもそも集めるのが困難
• 食品業界では多品種の製造をすることが多く、また、新商品の登場や商品の改良の頻度も高いので、毎回の品種ごとのデータ取得が大変

アラヤのAI外観検査用ソフト「InspectAI」なら、一般的なAI導入の課題が解決可能

アラヤの提供するAI外観検査用ソフト「InspectAI」（インスペクト・エーアイ）は、前述した課題を解決できる機能を持ち合わせたパッケージソフトです。ここではいくつかある特長の中から主に、食品検査において重要なポイントとなる点をご紹介します。

正常画像のみで学習可能、少量の不要画像を加えることでより高精度な検査を実現

InspectAIでは、基本的に不良品の学習データを必要とせず、数百枚の正常品の画像のみで検査が可能になります。

また、数百枚の正常品の画像に、数枚の不良品の画像を加えて学習することで、より高精度な判定を行うことが可能になります。公開データセットを使った弊社内の実験では、正常画像300枚程度、不良画像5枚を学習させることで、高精度（93.5%、従来手法よりも15.2ポイント高い）で不良を検知することを確認しました。

多品種生産に対応

正常画像と少量の不良画像をInspectAIに学習させることで、食品製造でよく行われる多品種生産にもスムーズに対応できます。例えば、ラーメンで醤油味とシーフード味を製造し、混入する異物（髪の毛など）が共通な場合、複数の品種を1つのモデルで検査することが可能で、品種が変わるごとにモデルを変える手間がかかりません。またその場合、不良画像は1品種のデータさえ収集すればよく、 全品種の不良画像を収集する必要がなくなり、データ収集の手間を大幅に削減することが可能です。