農産物の等級選別をAIで支援するための考え方を整理します。傷・熟度・サイズ・形状による等級判定、自然物ゆえの個体差をどう許容するか、選果場の出荷基準とどう整合させるか。工業品検査との違いと、現物検証を前提とした進め方を解説します。
農産物の等級選別（選果・選別）は、収穫された作物を傷の有無、熟れ具合、大きさ、形の整い方などで仕分け、「秀・優・良」や「A・B・C」といった等級に分類する作業です。等級は出荷価格に直結し、産地のブランドを左右します。にもかかわらず、この工程の多くは今なお熟練者の目と手に依存しているのが実情だと考えられます。
背景には、いくつかの構造的な事情があります。第一に、農業の担い手の高齢化と人手不足です。選果場の繁忙期は収穫期に集中し、短期間に大量の作物をさばく必要があります。その時期に集まる人手が年々確保しにくくなっている、という声は各地で聞かれます。第二に、等級判定が極めて属人的だという点です。「この傷は許容範囲」「これはもう一段下」という判断は、長年の経験で身についた感覚であり、マニュアル化が難しい領域だと考えられます。
製造業の外観検査であれば、対象は規格化された工業製品であり、「良品か不良品か」という良否二値の判定に落とし込めることが多くあります。寸法公差も図面で明確に定義されます。ところが農産物は自然物であり、一つとして同じ個体が存在しません。色も形も大きさも連続的に分布し、しかも同じ畑・同じ品種でも、その年の天候によって全体の傾向が動きます。
つまり農産物の等級選別は、「決められた正解との一致を見る」検査ではなく、「連続的に分布する個体を、人が合意した基準線で区切る」という性質を持ちます。この違いを理解しないままAIを持ち込むと、「正常なばらつき」を不良と誤検知したり、季節が変わった途端に判定が崩れたりする、という事態に陥りやすいと考えます。外観検査一般の難所については外観検査の限界とその対処でも整理しており、本記事はそれを農産物という最も個体差の大きい対象に当てはめて考えるものです。
選果場では、複数の人が同じ基準で選別できるよう、見本（限度見本）や等級表を用意していることが一般的です。しかし実際の境界判断には、人によるばらつきが残ります。繁忙期の疲労や、日差しによる見え方の変化も影響します。AI化を検討する際にまず直面するのは、「そもそも私たちの等級基準は、どこまで明文化できているのか」という問いだと考えられます。
この問いに向き合わずに「AIで自動選別」とだけ走ると、現場の熟練者とAIの判定がしばしば食い違い、かえって確認の手間が増える、という落とし穴が待っています。Nsightは、画像・カメラ・AIを「人の判断を置き換える道具」ではなく、まず「人が持つ等級基準を可視化し、ばらつきを揃える道具」として捉えるところから始めるべきだと考えています。
農産物の等級は、おおまかに「傷（外観の損傷・病害・汚れ）」「熟度（色づき・成熟度）」「サイズ（重量・径・階級）」「形状（整い・変形・規格適合）」という複数の軸の組み合わせで決まることが多いと考えられます。それぞれ求められる撮像・解析の性質が異なるため、分けて整理します。
傷の検出は、工業品の表面検査に最も近い領域です。打痕、すれ、裂け、変色、カビや病斑、虫食いなどを表面の特徴から見つけます。難しいのは、農産物では「模様」と「欠陥」の区別が曖昧なことです。果実表面のサビ状の模様や、もともとの斑点が品種特性である場合、それを欠陥と取り違えてはなりません。照明の当て方で見え方が大きく変わる点も、工業品の光沢面検査と共通する難所だと考えます。
また、表面の凹凸や毛羽立ち、粉（ブルーム）の有無などが反射に影響するため、照明・撮像の設計が判定精度を大きく左右します。ここはハードウェア側の作り込みが効く領域であり、ハードウェア統合の考え方が役立つ場面だと考えられます。
熟れ具合の判定は、表面の色（色相・彩度の分布）から推定するのが一般的ですが、色だけでは内部の成熟までは分かりません。表面の色づきと中身の状態が必ずしも一致しないため、「見た目の色」を等級の代理指標として使うことの限界を理解しておく必要があると考えます。撮像の色再現性も重要で、照明の色温度が変われば判定が揺れるため、ホワイトバランスや基準色票による校正が前提になります。
大きさによる階級分け（S/M/L、2L など）は、画像から径や投影面積を計測する方法と、重量で分ける方法があります。画像計測の場合、カメラと対象の距離、レンズ歪み、姿勢（転がり方）によって見かけの大きさが変わるため、計測条件を一定に保つ仕組みが欠かせません。寸法を測るという観点では、工業品の寸法検査の考え方と共通する部分が多いと考えます。
形の評価は、まっすぐさ・丸さ・変形（奇形・二又・曲がり）などを見ます。ここは特に主観が入りやすく、「どこまでの曲がりを許容するか」が産地や取引先で異なります。形状は数値で定義しにくいため、人の合意した見本との照合という性質が強く、AIに学習させる際も「許容される形のばらつき」を十分に含めることが重要だと考えられます。
これら4軸は独立ではなく、総合的に等級が決まります。「サイズは秀だが傷で一段下げる」といった複合判断が日常的に発生します。AIに置き換える際は、軸ごとに判定を出したうえで、最終的な等級への集約ルールを人の基準と擦り合わせる設計が現実的だと考えます。
農産物の等級選別AIで最も重要なのは、「個体差をどう許容するか」という設計思想だと考えます。工業品検査の発想をそのまま持ち込むと、正常な自然のばらつきを不良と判定してしまい、歩留まりを不当に落とす結果になりかねません。
AI（特に画像系の学習モデル）は、学習データに含まれた分布の範囲で判断します。良品として学習させたデータに色や形のばらつきが乏しいと、少し色の濃い良品、少し形のいびつな良品を「見たことがない＝異常」と捉えてしまう可能性があります。これを避けるには、正常側の自然な分布——色のグラデーション、サイズの幅、許容される形の多様性——を意図的に厚く集めることが前提になると考えられます。
裏を返せば、欠陥サンプルだけを集めても農産物の選別AIは安定しません。「正常がどれだけ広いか」を教えることが、過検出（良品を不良と誤る）を抑える鍵だと考えます。データ設計の重要性はAI検査PoCが失敗する理由でも触れている通りで、農産物ではこの点が一段とシビアになると見ています。
同じ品目でも、品種が違えば色も形も変わります。同じ品種でも、その年の天候・産地・収穫時期で全体の傾向が動きます。つまり「一度作った判定モデルが翌シーズンもそのまま通用する」とは限らない、というのが農産物の難しさです。固定したしきい値で割り切る設計は、こうした分布の移動（ドリフト）に対して脆弱だと考えられます。
現実的には、シーズン初めに少量のサンプルで基準を再確認・再校正する運用や、判定の確信度が低い個体を人にまわす仕組みを組み込むことが有効だと考えます。AIに全数を任せきるのではなく、「迷う個体は人へ」という切り分けを最初から設計に織り込む発想です。
等級の境界付近にある個体（1級とも2級ともつかないもの）は、人でも判断が割れます。AIに無理に二択を迫るより、確信度の低い領域を「グレーゾーン」として明示し、人の確認に回すほうが、現場の納得感も精度も高まると考えます。境界をAIが勝手に動かさないこと、そして境界判断のログを残して後から検証できることが、運用の信頼性につながると考えられます。
近年は、画像と言語を結びつけて扱えるVLM（視覚言語モデル）の活用も検討に値すると考えます。「うっすらとしたサビ模様は許容、深い傷はNG」といった人の言語的な基準を、ある程度そのまま扱える可能性があるためです。ただし農産物への適用は発展途上であり、過信は禁物です。VLMと従来手法の違いはVLMとディープラーニングの比較で整理しており、どちらが向くかは対象と基準次第だと考えます。あくまで現物での検証を前提に、補助的に使い分ける姿勢が現実的だと考えられます。
技術的に等級を判定できたとしても、それが選果場の既存の出荷基準と整合していなければ現場では使えません。等級規格は、JA・市場・取引先との取り決めの上に成り立っており、AIの判定はその枠組みの中に収まる必要があると考えます。
AIが独自の基準で分類してしまうと、たとえ精度が高くても出荷規格と合わず、人が再仕分けする羽目になります。重要なのは、AIの出力を現場が長年使ってきた等級定義に対応づけることです。そのためには、既存の限度見本・等級表をAIの学習・評価の基準として取り込み、AIの判定が人の判定とどれだけ一致するかを軸に評価する設計が望ましいと考えられます。
農産物では「正解」が一意に決まらないため、絶対的な精度ではなく「熟練者の判定とAIの判定の一致率」「人どうしの判定のばらつきと比べてAIがどの位置にあるか」を評価指標にするのが現実的だと考えます。人どうしでも判断が割れる境界域でAIに完璧を求めるのは無理があります。むしろ「人のばらつきの中に収まっているか」を確かめる発想が適しています。導入前の評価設計そのものについては、別途専門に検討する価値があると考えます。
等級は価格・取引に直結するため、「なぜこの個体を2級にしたのか」を後から説明できることが望まれます。判定の根拠（どの軸でどの程度だったか）や該当画像を記録しておくと、取引先への説明やクレーム対応、基準の見直しに活かせると考えられます。こうした記録の蓄積は、産地としての基準の一貫性を高める資産にもなると考えます。
多くの選果場には、すでに搬送設備や既存の選別機が存在します。ゼロから入れ替えるより、既存ラインにカメラとAIを後付けする発想のほうが、投資面でも現実的な場合が多いと考えます。エッジ側で処理を完結させる構成は、通信環境が整わない産地や、リアルタイム性が必要なラインで有効だと考えられます。後付け・レトロフィットの考え方はエッジAIレトロフィットとして整理しています。判定処理を現場で完結させるエッジ実装の意義はエッジとクラウドの比較も参考になると考えます。
農産物の等級選別では、AIモデル以前に「対象をいかに安定して撮るか」が成否を分けると考えます。自然物は形も大きさもまちまちで、表面の反射特性も個体ごとに違うため、撮像条件を一定に保つ工夫が欠かせません。
傷や病害は対象のどこに出るか分かりません。一方向から撮るだけでは裏側の欠陥を見落とします。複数カメラで多方向から撮る、対象を回転させて全周を撮る、といった構成が検討対象になります。果実や根菜のように転がりやすい対象では、搬送中の姿勢制御も重要で、機械設計と撮像設計を一体で考える必要があると考えられます。
農産物の表面は、ツヤのあるもの、粉をふくもの、毛や凹凸のあるものなど多様です。光沢面では照明が映り込んで白飛びし、欠陥が隠れることがあります。これは金属光沢面の検査で培われた照明技術——拡散照明やドーム照明、角度の工夫——が応用できる領域だと考えます。色を正しく見るための色温度管理、外光の影響を抑える遮光も、熟度判定の安定には不可欠だと考えられます。照明・撮像の作り込みは精度を底上げする土台であり、ここを軽視すると後段のAIでいくら工夫しても限界が来ると見ています。
選果場のラインは、繁忙期には高速で大量の作物を流します。AIの処理速度がライン速度に追いつかなければ、ボトルネックになります。1個あたりに使える処理時間（タクト）の中で、撮像・解析・仕分け指示までを完結できるかを、最初に現実的に見積もる必要があると考えます。エッジ機器の処理能力と、求める判定の複雑さのバランスを取ることが、設計上の重要な判断になると考えられます。
選果場は、温度・湿度・粉塵・水濡れといった環境変化のある現場です。機器の防塵・防滴、レンズの汚れ対策、外光の季節変動への対応など、現場特有の条件を織り込まないと、実験室では動いても現場で安定しない、ということが起こり得ます。実装は「きれいな環境での性能」ではなく「現場の悪条件での安定性」で評価すべきだと考えます。
ここまでの内容を踏まえ、検討の現場で繰り返し見られる落とし穴を整理します。いずれも、工業品検査の発想をそのまま持ち込むことから生じやすいものだと考えます。
これらは、AIの良し悪し以前に「設計思想と現場理解」の問題であることが多いと考えます。PoCがつまずく構造的な要因はこちらでも整理しており、農産物特有の事情を重ねて捉えると、より失敗を避けやすくなると考えます。
最後に、農産物の等級選別AIをどう進めるかの道筋を整理します。結論から言えば、いきなり全自動化を目指すのではなく、限定した範囲で人とAIの一致を確かめながら段階的に広げる進め方が現実的だと考えます。
まず、現場が暗黙に持つ等級基準を可視化することから始めるのが有効だと考えます。限度見本や等級表を整理し、熟練者の判断を画像とともに記録していく。この段階では、AIに置き換えること自体が目的ではなく、「私たちの基準はどこまで明文化できるか」を確かめることに価値があります。基準が揃わないままAI化を進めても、判定が現場と食い違うだけだと考えられます。
次に、判定軸を絞って（例えばサイズ階級や明確な傷など、比較的客観化しやすいものから）、一部の品目・一部の等級でAIと人の一致率を確かめます。境界の曖昧な熟度や形状は後回しにし、まず「効きやすいところ」で実績を作る発想です。トライアルでは、どのサンプルでどの指標を見るかを事前に設計し、判断を誤らないようにすることが重要だと考えます。
検証が進んだら、AIが確信を持てる個体は自動で振り分け、グレーゾーンは人が確認する、というハイブリッド運用に移行します。全数を人が見る必要がなくなれば、繁忙期の負荷軽減につながると考えられます。重要なのは、AIを「人の置き換え」ではなく「人の判断を助け、ばらつきを揃える道具」として位置づけることだと考えます。外観検査の自動化全体の段取りは外観検査自動化ガイドも参考になると考えます。
農産物特有の課題として、シーズンをまたいだ分布の移動への対応があります。シーズン初めの再校正、判定ログの蓄積と見直し、品種追加への対応など、継続運用の仕組みを整えることで、初めて選別AIは現場の資産になると考えられます。導入して終わりではなく、運用を続ける前提で設計することが肝心だと考えます。
Nsightの監修者には、元キーエンス画像処理事業部で外観検査・画像処理の現場に深く関わってきた人間が含まれます。その知見から繰り返し申し上げるのは、農産物のような自然物の検査は、カタログスペックや実験室の数字だけでは判断できない、ということです。表面の反射、品種の個体差、現場の環境——こうした条件は、実際の作物を実際のラインで写してみて初めて分かることが大半だと考えます。
だからこそNsightは、机上の提案で終わらせず、現物・現場での検証を通じて一緒に確かめていく進め方を大切にしています。まずは一部の品目・一部の等級から、人の判断とAIの判断を突き合わせてみる。その小さな検証の積み重ねが、産地に合った選別AIへの最短経路だと考えます。等級選別を含む外観検査の取り組みはAI外観検査サービスとして、検証の進め方はPoC・導入コンサルティングとして整理していますので、検討の出発点としてご覧いただければと考えます。
現時点では、全等級・全品目を無人で置き換えるのは現実的でないと考えます。熟度や形状のように境界が曖昧な軸は人でも判断が割れるためです。むしろ、AIが確信を持てる個体は自動で振り分け、グレーゾーンは人が確認するハイブリッド運用が現実的だと考えます。繁忙期の負荷軽減という効果は、その形でも十分に見込めると考えられます。
個体差そのものはAIで扱える対象だと考えます。鍵は、正常のばらつき（色・形・サイズの自然な分布）を学習データに十分含めることです。これを怠ると、正常な良品を異常と誤判定します。逆に正常の幅をしっかり教えれば、過検出を抑えながら判定できる可能性が高いと考えられます。ただし季節や品種で分布が動くため、再校正を前提とした運用が必要です。
表面の色は熟度の有力な手がかりですが、内部の成熟と必ずしも一致しない点に注意が必要だと考えます。また、照明の色温度が変われば見かけの色が揺れるため、ホワイトバランスや基準色票による校正が前提になります。色を絶対的な正解ではなく代理指標と捉え、出荷基準と擦り合わせて使うことが現実的だと考えられます。
合わせることを前提に設計すべきだと考えます。AIが独自基準で分類すると、出荷規格と合わず再仕分けが発生します。既存の限度見本・等級表をAIの学習・評価の基準として取り込み、熟練者の判定との一致率で評価する進め方が望ましいと考えます。なぜその等級にしたかの記録を残しておくと、取引先説明や基準見直しにも活きると考えられます。
まず等級基準の可視化から始め、客観化しやすい軸（サイズや明確な傷）で一部の品目・等級を対象に、人とAIの一致を確かめる段階導入を推奨します。いきなり全自動化を目指すより、現物・現場での小さな検証を積み重ねるほうが、産地に合った形に近づけると考えます。検証の設計から一緒に進めることが可能ですので、ご相談いただければと考えます。
傷・熟度・サイズ・形状のどの軸から効きそうか、御社の品目・等級・出荷基準に即して検証します。元キーエンス画像処理事業部出身の監修者とともに、一部の品目から現物で確かめる進め方をご提案します。
現物検証・導入相談をする