農業の担い手は高齢化し、収穫期に集中する選果・等級判定の人手をどう確保するかは多くの産地に共通する悩みです。本稿では、自然物である農産物の判定がなぜ難しいのかを正面から見据えながら、画像AIによる省人化がどこまで解になりうるのかを、限界も含めて整理します。
農業の現場で、いま静かに進行しているのが担い手の高齢化と後継者不足です。基幹的農業従事者の平均年齢が高い水準にあること、新規就農者の確保が容易でないことは、所管省庁の統計でも継続的に指摘されてきました。具体的な人数や平均年齢の最新値は農林水産省の公表資料でご確認ください。重要なのは、これが一時的な景気変動ではなく、世代交代と地域人口の構造に根ざした課題だという点だと考えられます。
この構造的な人手不足が、とりわけ重くのしかかるのが収穫後の選果・等級判定の工程です。果樹や野菜の多くは収穫期が短期間に集中し、その間だけ大量の人手が必要になります。産地の選果場では、繁忙期に地域の高齢者やパート、家族労働で何とか回してきたところが少なくありません。担い手が高齢化すれば、この「季節の山」を支える人の確保そのものが年々難しくなっていくと考えられます。
栽培そのものの機械化・スマート化は進んできた一方で、収穫物を一つひとつ見て選り分け、傷や色味で等級を付ける作業は、いまも人の目と手に強く依存しています。判断の対象が自然物であり、規格が産地や市場ごとに細かいことが背景にあると考えられます。だからこそ、人手の制約が最も直接的に出荷量や品質の安定に響くのが選果工程であり、省人化の優先度が高いテーマになりうると考えます。
省人化を考える前に、そもそも選果場で人が何を見ているのかを分解することが欠かせないと考えます。等級判定は単一の作業ではなく、複数の判断が束ねられたものです。大きさ・重さといった計測でほぼ機械化できる軸と、表面の傷・変色・病害痕・形状の崩れといった見た目の良否、さらに食味や熟度のように外観から推定しづらい軸が混在しています。
サイズや重量による選別は、すでに機械選別が広く使われている領域です。一方で、わずかなすり傷を出荷可とするか、日焼けや色ムラをどの等級に置くかといった判断は、産地の基準と熟練者の感覚に支えられてきました。同じ品目でも、品種・天候・収穫時期によって「ふつうの状態」が変わるため、固定的な数値ルールだけでは割り切りにくいのが自然物の難しさだと考えられます。
さらに厄介なのは、外観の良否そのものに地域差・人差があることです。ある選果場では許容される程度の小傷が、別の市場向けでは弾かれることもあります。熟練者の頭の中にある暗黙の基準が、世代交代とともに失われていくこと自体が、高齢化のもう一つのリスクだと考えます。省人化は同時に、この「基準の継承」をどう扱うかという問題でもあると整理できます。
こうした文脈のなかで、農産物の表面を撮影して傷や色味を判定する農産物の等級判定AIは、人手の山を平らにする手段の一つになりうると考えられます。ただし重要なのは、はじめから人の目を丸ごと置き換えると考えないことだと考えます。自然物の判定には文脈依存の微妙な判断が残るため、現実的なのは負荷の高い工程・明確に切り分けやすい欠点から機械に分担させる発想です。
近年は、従来の固定ルール型の画像処理に加えて、VLM（視覚言語モデル）のように「どういう状態か」を柔軟に捉えうる技術が広がってきました。個体差の大きい自然物では、こうした柔軟性が相性のよい場面もあると考えられます。一方で柔軟なモデルほど、何を根拠に判定したのかが見えにくくなる側面もあり、出荷判断という責任を伴う工程では説明性と現場での検証をどう担保するかが論点になりうると考えます。
画像AIが比較的得意なのは、表面に現れる傷・打痕・変色・異物の付着など、見た目に差として出る欠点を、安定した撮影条件のもとで一貫した基準で見続けることだと考えられます。逆に苦手になりやすいのは、内部品質や食味のように外観に出にくい軸、撮影のたびに見え方が変わる不安定な照明・搬送、そして学習データにほとんど存在しなかった珍しい状態への対応です。この得手不得手を最初に直視することが、過度な期待による失敗を避ける鍵だと考えます。
画像で農産物を判定する際、判定アルゴリズム以前に効いてくるのが、どう照らしてどう撮るかという撮像設計です。表面に光沢や凹凸のある果実・野菜は、照明の角度や強さで傷が見えたり消えたりします。現場の蛍光灯任せで撮ると、同じ傷でも時間帯や天候で見え方が変わり、判定が不安定になりやすいと考えられます。安定した判定は、まず安定した画像から始まると考えます。
ここで効いてくるのが、元キーエンス画像処理事業部の現場知見 × 産業用カメラ × 現場ライティングという組み合わせだと考えます。どの欠点をどの照明で浮かび上がらせるか、搬送速度に対してどう撮るか、といった撮像の作り込みは、検査自動化の成否を左右する地味だが決定的な部分です。こうした画像で良否を判定するAI外観検査の考え方は、工業製品でも農産物でも土台は共通すると考えます。
選果場は通信環境が万全とは限らず、繁忙期には毎秒多数の対象が流れます。画像をすべてクラウドに送って処理する構成は、通信の安定性やコスト、遅延の面で現場に合わないことがあると考えられます。Jetsonのようなエッジ端末で現場側にて推論する構成は、ネットワークに左右されにくく、ラインの速度に追従しやすい点で、季節集中型の選果と相性がよい場合があると考えます。
ただしエッジに載せれば何でも速くなるわけではありません。モデルの大きさと端末の処理能力、要求される判定速度のバランス設計が必要で、これも現物のサイズ・流速・必要精度を踏まえた検証なしには決められないと考えます。
画像AIによる選果支援は、入れて終わりではなく、運用しながら基準を合わせ続ける営みだと考えます。とくに自然物では、品種の切り替わりや天候、収穫時期によって「ふつうの状態」が変化します。シーズン初めに整えた判定が、終盤には現物とずれてくることも起こりうるため、ずれを検知して見直す仕組みを前提に置くことが現実的だと考えます。
省人化の核心は、熟練者の頭の中にある等級基準を、機械が再現できる形にどう翻訳するかにあると考えます。これは一度の設定では終わらず、現場の熟練者と一緒に「この傷はこの等級」という判断をすり合わせ、境界事例を蓄積していく協働作業になりうると考えます。結果として、属人化していた基準が言語化・データ化され、世代交代に備えた継承の一助になる可能性もあると考えます。
運用設計では、機械が自信を持って判定できる範囲と、人が最終確認すべきグレーゾーンを分けることも重要だと考えます。明確な良品・明確な不良は機械に任せ、判断の難しい境界だけ人が見る分担にすれば、限られた人手を本当に必要な判断に集中させられると考えられます。完全自動化を目指すより、人と機械の役割分担を丁寧に設計するほうが、結果的に省人化につながりやすいと考えます。
選果の省人化で起こりがちなつまずきを、正直に挙げておきます。いずれも、やってみないと分からない部分を軽視したときに起きやすいと考えます。
最後に、過度な投資に踏み込む前の現実的な進め方を整理します。出発点は、自社の選果ラインで実際に流れる現物を、現場の照明・搬送条件のまま撮影し、機械で何が見え何が見えないのかを客観的に把握することだと考えます。ここで見える欠点・見えない欠点を切り分けられれば、どこまでを機械に分担させ、どこを人が担うのかという全体像が描けるようになると考えます。
その把握をもとに、まずは負荷が高く切り分けやすい工程に対象を絞った小さな検証から始め、現場の熟練者と基準をすり合わせながら範囲を広げていく進め方が、無理のない省人化につながりやすいと考えます。撮像設計・エッジ構成・運用の見直し手順を、自社の品目と季節に合わせて少しずつ作り込んでいくイメージです。
担い手の高齢化は一気に解決できる課題ではありませんが、人手の山を平らにし、熟練者の基準をデータとして残していく取り組みは、産地の持続性を支える一歩になりうると考えます。まずは現物を撮ってみるところから、自社にとって何が現実的かを見極めていくことをおすすめします。
サイズ・重量の選別はすでに機械化が広く進んでいる一方、表面の傷や色味の等級判定は安定した撮像条件のもとで画像AIが補助・標準化する手段になりうると考えられます。ただし内部品質や食味など外観に出にくい軸は苦手で、人の目を完全に置き換えるより負荷の高い工程から段階的に分担する設計が現実的だと考えます。
個体差・季節差の大きさは自然物の本質的な難しさです。柔軟に状態を捉えうるモデルが相性のよい場面もある一方、品種や収穫時期で「ふつうの状態」が変わるため、運用しながら基準を合わせ続ける前提が欠かせないと考えます。まずは自社の現物・現場条件での検証から見極めることをおすすめします。
通信が万全でない現場では、画像をすべてクラウドに送る構成が合わないことがあります。Jetsonのようなエッジ端末で現場側にて推論する構成は、ネットワークに左右されにくくラインの速度に追従しやすい点で、季節集中型の選果と相性がよい場合があると考えられます。最適な構成は対象の流速や必要精度により変わります。
熟練者の判断を機械が再現できる形に翻訳する過程で、境界事例をすり合わせ言語化・データ化していくことになります。結果として属人化していた基準が記録に残り、世代交代に備えた継承の一助になる可能性があると考えます。ただし一度で完成するものではなく、現場との協働を前提に置くことが現実的だと考えます。
基幹的農業従事者の人数・平均年齢や新規就農者の動向などは、農林水産省が継続的に公表しています。制度や統計の具体的な数値・適用範囲は変動しうるため、所管省庁の最新の公表資料でご確認ください。本稿では数値そのものより、構造的な課題として選果工程に与える影響を中心に整理しています。
選果の省人化は、派手な自動化の前に現物を撮ってみることから始まると考えます。自社ラインの照明・搬送条件のまま撮影し、何が見えて何が見えないのかを一緒に切り分けるところからご相談いただけます。元キーエンス画像処理事業部の現場知見をもとに、無理のない進め方を整理します。
選果の省人化について相談する