選果場を支えてきた熟練者の“目”が、担い手不足と高齢化のなかで受け継がれにくくなっています。この記事では、社会課題としての人手不足を出発点に、等級判定の属人化がなぜ構造的な問題なのか、そして画像AIがその一部をどう補いうるのかを、産地・選果場の視点で整理します。
農業の担い手不足と高齢化は、いまや個々の農家の問題を超えて、産地全体の維持に関わる社会課題になりつつあると考えられます。基幹的農業従事者の減少と平均年齢の上昇は各種の公的統計でも継続的に報告されており、その正確な数値や見通しは所管省庁の最新の公表資料でご確認いただくのが確実です。ここで見落とされがちなのは、人手不足の影響が田畑での作業だけでなく、収穫後の選果・等級判定という工程にも及んでいる点です。
選果場やJAの共同施設では、収穫の最盛期に短期間へ作業が集中します。傷・変形・色づき・大きさ・熟度などを人の目で見分け、規格ごとに仕分ける工程は、産地のブランドと出荷価格を左右する要になっています。ところが、この判断を担ってきた熟練者ほど高齢化が進んでおり、繁忙期に十分な人数を確保できない、確保できても基準が揃わない、という悩みが各地で聞かれます。詳しくは農業の高齢化と選果労働でも整理しています。
等級判定がぶれると、同じ規格の箱に異なる品質のものが混ざり、受け手からの信頼が揺らぎます。逆に安全側へ倒して厳しく選びすぎれば、本来出荷できたはずの農産物が下位等級に落ち、収益機会を失います。つまり選果のばらつきは単なる作業効率の問題ではなく、産地の値決めと信用に直結する経営リスクになりうると考えられます。担い手が減るほど、この「基準を保つ力」が薄れていくことが、いま静かに進む構造的な課題だと言えます。
等級判定の難しさは、判断基準の多くが言語化されていないことにあります。「これは秀、これは優」という区別を、熟練者は瞬時に下しますが、その根拠を問うと「見れば分かる」「艶が違う」といった感覚的な説明になりがちです。長年の経験で身についた暗黙知であり、マニュアル化しづらいのが実情です。新しく入った人が同じ精度に達するには時間がかかり、その育成期間そのものが、人手が足りない現場では確保しにくくなっています。
さらに厄介なのは、判定基準が固定的でない点です。同じ品目でも産地ごとに規格の運用が異なり、天候や生育状況によってその年の平均的な出来が変わるため、熟練者は「今年の基準」を無意識に調整しています。この柔軟さは強みであると同時に、標準化を難しくする要因でもあります。人が代わるたびに微妙に基準がずれ、年によっても揺れる——これが選果の品質を安定させにくくしている本質的な論点だと考えられます。
こうした属人性は、対象を正確に「見分けて数える」という点で他分野の課題とも通じます。対象物の識別という観点ではカウント・追跡の考え方も参考になります。要は、人の目が担ってきた「識別・分類・計数」を、どこまで仕組みで支えられるかという問いに帰着すると言えます。
担い手不足への対応は、AI導入だけが答えではありません。まず選択肢を素直に並べると、(1)人の確保・多能工化と教育、(2)作業標準や見本サンプルによる基準の見える化、(3)重量・寸法・光学式センサーによる機械選別、(4)画像AIによる等級判定・欠陥選別の支援、といった層があります。これらは排他ではなく、組み合わせて用いるのが現実的だと考えられます。
重量や寸法の選別機は、物理量が基準になる項目では安定して力を発揮します。一方で、色ムラ・微細な傷・変形・熟度といった「見た目の総合判断」は、単一のセンサーでは捉えきれない場合があります。ここが、まさに人の目が担ってきた領域であり、画像AIが補いうる余地のある部分です。傷や異物の選別という観点は選別のAI活用の事例整理も参考になります。
重要なのは、いきなり全工程を自動化しようとしないことです。判断が難しく人依存の高い工程から部分的に支援を入れ、人は最終確認や例外対応に集中する、という役割分担のほうが、現場に定着しやすいと考えられます。全部を機械に任せる発想ではなく、「熟練者の目を増幅する道具」として捉える姿勢が、現実的なアプローチだと考えます。
画像AIによる等級判定は、大まかに「撮る・判る・活かす」の三段で捉えると整理しやすくなります。産業用カメラと適切な照明で対象を安定して撮影し、AIモデルが等級や欠陥の有無を判定し、その結果を仕分け・記録・出荷判断につなげる、という流れです。近年はVLM（画像と言語を扱うモデル）の発展により、「なぜこの等級と判断したか」を言葉で補足しうる方向も出てきており、暗黙知の明文化という文脈で注目されます。基礎的な考え方は農産物の等級判定AIで解説しています。
見落とされがちですが、判定精度を左右する最大の要因は撮影条件です。農産物は形も色も個体差が大きく、表面の光沢や凹凸で光の反射が変わります。照明の当て方が不安定だと、同じ品でも写り方が変わり、AIが誤りやすくなります。元キーエンス画像処理事業部で培われた現場ライティングの知見は、まさにこの「安定して撮る」を設計するための土台になりうると考えます。AIモデルを高度にする前に、光と撮り方を整えることが先決だと言えます。
AIに等級を学習させる過程では、熟練者が「これは秀・これは優」とラベル付けした画像が教師データになります。この作業自体が、これまで言語化されなかった判断基準を明示的に残す営みになりえます。人が減っても基準の記録が残るという点で、AI化は単なる省人化ではなく、暗黙知の継承手段としての側面を持ちうると考えられます。ただし、その基準の妥当性は現場での継続的な確認が前提です。
画像AIは、一度作れば永遠に同じ精度で動く固定装置ではありません。品種の切り替え、新しい産地基準、その年の作柄の変化に応じて、判定の傾向を見直す必要があります。運用では「AIの判定と人の判断がずれた事例」を拾い、定期的にモデルや閾値を調整していく仕組みを、あらかじめ設計に織り込んでおくことが現実的だと考えられます。
選果場は繁忙期に人と物が高速で流れる現場です。判定結果の表示が分かりにくかったり、例外品の扱いが煩雑だったりすると、いくら精度が高くても使われなくなります。誰が最終判断を下すのか、AIが迷ったときにどう人へ引き継ぐのか、記録をどう出荷伝票や検品履歴につなげるのか——こうした運用の流れを、現場の作業リズムに合わせて具体的に決めておくことが定着の鍵になると考えます。
また、通信環境が不安定な選果場や、データを施設外に出しにくい事情もあります。判定処理を現場側の機器で完結させるエッジ構成は、こうした制約への現実的な選択肢になりえます。JetsonなどのエッジでVLM/画像認識を動かす構成は、クラウド前提が難しい産地でも導入の幅を広げうると考えられます。
期待だけで進めると、現場で「思ったのと違う」となりがちです。あらかじめ限界を共有しておくことが、失敗しない導入の前提になると考えます。
これらは弱点であると同時に、事前に設計へ織り込めば管理可能な項目でもあります。限界を隠さず共有し、人とAIの役割分担を明確にすることが、結果的に現場の信頼を得る近道になると考えます。
最初にやるべきは、大きな投資の意思決定ではなく、現状を客観的に把握することだと考えます。いまの選果工程で、どの判定が人に依存し、どこでばらつきや手戻りが生じ、繁忙期のどの時間帯に人手が逼迫しているのか。この実態を数字と事実で見える化するだけでも、打ち手の優先順位がはっきりします。
次の段階は、実際の農産物サンプルを用いた小さな検証です。自分たちの品を、自分たちの基準で撮影・判定してみて、どこまで人の判断に近づけるか、どんな条件で崩れるかを現物で確かめます。カタログの数値ではなく、自産地のデータで確かめることが、期待と現実のギャップを埋める最も確実な方法だと考えられます。方式設計や検証の進め方は導入相談で相談いただけます。
担い手不足という大きな流れは、一足飛びには解決しません。しかし、熟練者の“目”が現場にいるうちに、その判断を記録し、道具として一部を受け継いでいくことはできます。焦って全自動化を目指すより、現物検証を積み重ねて着実に守備範囲を広げていくほうが、産地の品質と信用を長く守る道になると考えます。具体的な進め方でお困りの際は、相談するところから始めていただければと思います。
人の目に依存したままでは基準を保つのが難しくなると考えられます。ただし、熟練者が現場にいるうちに判断をラベル付きの画像として記録すれば、その基準を一部データとして残せます。画像AIは人の目を完全に置き換えるものではなく、判断を平準化し継承を助ける道具の一つになりうると考えられます。まずは現状の属人度を把握することをおすすめします。
精度は品目・撮影条件・産地基準・サンプルの偏りによって大きく変わるため、一般的な数値を示すことは適切ではありません。カタログ上の「◯％」も、自分たちの現物・現場で測らなければ意味を持ちにくいと考えられます。実際のサンプルを用いた小さな検証で、自産地のデータに基づく実測値を確かめることが確実だと考えます。
大きさ・重量など物理量が基準になる項目は比較的扱いやすいと考えられます。色ムラ・微細な傷・変形・熟度など「見た目の総合判断」は難易度が上がりますが、画像AIが補いうる余地のある領域です。出現頻度の低い欠陥はデータが集まりにくいため、人の確認を残す設計が現実的だと考えられます。品目ごとに向き不向きが異なります。
クラウド前提だと通信の不安定さやデータを施設外に出しにくい事情が制約になる場合があります。判定処理を現場側の機器で完結させるエッジ構成であれば、こうした環境でも導入の幅を広げうると考えられます。施設の通信・電源・設置スペースなどの条件を踏まえた方式選定が重要になると考えます。
農業のスマート化や省力化に関する支援制度は各種存在しますが、対象要件・公募時期・補助率などは年度や地域によって変わります。適用の可否や細部は、所管省庁や自治体、JA等の最新の公表資料でご確認いただくのが確実です。制度前提で計画を固める前に、まず現状把握と小さな検証で必要性と効果の見込みを整理することをおすすめします。
選果・等級判定のどこが人に依存し、どこでばらつきが生じているか——まずは現状を客観的に把握し、自産地の実際のサンプルで小さく検証するところから始められます。カタログ数値ではなく現物で確かめる進め方を、一緒に整理します。
選果・等級判定の自動化について相談する