黒豆・カビ豆・虫食い・未成熟豆など、コーヒー生豆の欠点豆をどう画像AIで選別するか。嗜好品グレーディング特有の難しさ、撮像設計、学習データの作り方、人手選別との役割分担までを整理します。
コーヒーの品質は、栽培・収穫・精製・乾燥といった川上の工程で大半が決まると言われますが、その品質を最終的に守る「ふるい」として機能するのが欠点豆の選別工程です。とりわけスペシャルティコーヒーの領域では、欠点豆の混入率が評価（グレーディング）に直結するため、選別の精度がそのまま価値に反映されると考えられます。一方でこの工程は、いまも人の手と目に強く依存しており、品質の安定と担い手の確保という二つの課題を同時に抱えていると考えます。
工業製品の検査であれば、寸法や色の許容範囲を数値で定義し、そこを外れたものを不良とする考え方が成り立ちます。ところがコーヒー生豆は自然物であり、同じロット・同じ品種であっても、大きさ・色・質感に個体差が常に存在します。未成熟の度合い、発酵の進み方、虫食いの深さなどはいずれも連続的で、「ここから欠点」という明確な線を引きにくいのが実情です。熟練の選別者も、白黒つけにくいグレーゾーンの豆を、その日のロットの傾向や用途を踏まえて判断していると考えられます。
欠点豆と一口に言っても、その内訳は多岐にわたります。代表的なものでも、完全な黒豆・部分的な黒豆、発酵豆、カビ豆（菌の繁殖）、虫食い豆、未成熟豆（クェーカー）、貝殻豆（シェル）、割れ豆・欠け豆、未脱穀のパーチメント付き、夾雑物（石・枝・殻）などがあります。これらは色で判別しやすいもの、形で判別しやすいもの、表面の質感やツヤで判別するものが混在しており、単一の見方ですべてを捉えるのは難しいと考えます。
ハンドピックは、熟練すれば非常に高い精度を発揮しうる一方で、長時間の集中を要する作業であり、疲労や個人差による見落としをゼロにすることは現実的に難しいと考えられます。また、担い手の高齢化や人手不足は農業・食品の現場で広く語られる課題であり、コーヒーの選別工程も例外ではないと考えます。品質を保ちながら作業の負荷を下げる手段として、画像による自動・半自動の選別が検討される背景には、こうした構造的な事情があると整理できます。製造業の現場で目視検査の限界が議論されてきた経緯は、目視検査の限界と解決策でも触れています。
コーヒーの選別と聞くと、まず思い浮かぶのは色彩選別機（カラーソーター）かもしれません。落下中やベルト上の豆に光を当て、基準色から外れた豆をエアで弾く仕組みは、すでに広く普及しています。では、なぜ画像AIをあらためて検討する余地があるのか。両者は競合ではなく、得意領域が異なる補完関係にあると考えるのが妥当だと考えます。
色彩選別機は、明確に色が違う黒豆や、白っぽい未成熟豆、色の濃い夾雑物のように「色のコントラストが大きい欠点」を、高速かつ大量に処理することに長けています。一方で、色は正常範囲なのに形が崩れている割れ豆・貝殻豆、表面のツヤや凹凸でしか見分けられない初期のカビや虫食い、欠点の種類を区別せず「弾く／弾かない」の二択で処理してしまう点などは、色情報だけでは捉えきれない場合があると考えられます。また、基準を厳しくすれば正常豆まで弾いてしまい歩留まりが下がる、緩めれば欠点が残る、というトレードオフも生じやすいと考えます。
画像AIは、色だけでなく形状・テクスチャ・局所的な欠陥パターンを同時に学習できるため、「色は正常だが形・質感が異常」という欠点の検出に寄与しうると考えられます。さらに、単に弾くだけでなく「これは虫食い」「これは未成熟」と欠点の種類ごとに分類できれば、ロットの品質傾向を記録・可視化することにもつながります。どの欠点がどれだけ出ているかが見えれば、精製や乾燥といった川上工程へのフィードバックにも活かせる可能性があると考えます。工程の見える化という観点は、工程の見える化ソリューションの考え方とも重なります。
近年は、画像と言語を結びつけて理解するVLM（Vision Language Model）の活用も現実的な選択肢になりつつあります。従来のディープラーニング分類器が「あらかじめ決めた欠点カテゴリに当てはめる」のに対し、VLMは「黒く変色した部分が表面の三割程度に広がっている」といった、より説明的な特徴の記述に寄与しうると考えられます。多品種・小ロットで基準が揺れやすいコーヒーのような対象では、こうした柔軟性が役立つ場面があるかもしれません。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も整理しています。ただし、どの方式が適するかは欠点の種類・要求精度・処理速度によって変わるため、現物での比較検証が前提だと考えます。
欠点豆選別AIの成否は、モデルの賢さ以前に「欠点をどう分類するか」というクラス設計で大きく左右されると考えます。自然物を相手にする以上、分類の枠組みそのものが現場の判断基準とずれていれば、いくら精度の高いモデルを作っても運用に乗りません。ここでは、分類設計で考慮したい論点を整理します。
多くの欠点は「ある／ない」ではなく「どの程度か」の問題です。部分黒豆や軽微な虫食いをどこまで許容するかは、最終的な用途やグレード基準によって変わります。したがって、単純な二値分類ではなく、欠点の種類に加えて重症度（軽・中・重）を併せて扱える設計のほうが、現場の判断に寄り添いやすいと考えられます。重症度の線引きは、必ず現場の選別基準とすり合わせたうえで決めることが望ましいと考えます。
見落とされがちですが、分類設計で最も重要なのは欠点クラスそのものよりも「正常豆をいかに広く正しく正常と判断できるか」だと考えます。品種・産地・精製方法（ウォッシュド／ナチュラル／ハニー）によって、正常豆の色や見え方は大きく変わります。ある産地では正常な色合いが、別の基準では欠点に見えることもあります。学習データに正常豆の多様性を十分に含めておかないと、ロットが変わった途端に正常豆を欠点と誤判定する「過検出」が増えやすいと考えられます。過検出の扱いは検査AI全般の論点であり、目視検査をAIで置き換える際の考え方でも触れています。
画像AIの精度は、モデルよりも先に「どう撮るか」で決まる部分が大きいと考えます。とくにコーヒー生豆は、表面に微妙な凹凸とツヤがあり、サイズも形もまちまちな自然物です。撮像条件が安定しなければ、同じ豆でも見え方が変わり、AIの判断がぶれてしまいます。ここでは撮像設計の要点を整理します。
欠点の多くは表面の微妙な変色や凹凸として現れるため、照明の当て方が判別の質を大きく左右すると考えられます。強い直射光は表面のテカリ（ハレーション）を生み、虫食いの穴やカビの初期変化を白飛びで隠してしまうことがあります。一般には、ドーム照明や拡散光で陰影を均し、豆全体をムラなく照らす方向が検討されます。一方で、割れや欠けのような形状欠点は、あえて斜光（ローアングル照明）で影を作ったほうが見えやすい場合もあります。つまり、検出したい欠点の種類によって最適な照明が異なるため、複数の照明条件を組み合わせる、あるいは撮り分けるアプローチが現実的だと考えます。金属の鏡面でハレーションに悩む論点とは性質が異なりますが、照明設計が成否を分ける点は共通しています。
コーヒー豆には平らな面（フラット側、センターカットのある側）と丸い面（ラウンド側）があり、欠点が片面にしか現れないこともあります。落下中やベルト搬送中の一瞬では片面しか撮れないため、虫食いの穴や部分的な変色を見逃すリスクが残ると考えられます。反転機構を設ける、複数カメラで多方向から撮る、ミラーで裏面を同時に写し込むといった工夫が検討対象になります。どこまで全周性を求めるかは、要求精度と処理速度・コストのバランスで決めることになると考えます。
豆と背景のコントラストを確保するため、背景色の選び方は重要です。豆の代表的な色と十分に差がつく背景にすることで、豆の輪郭抽出（セグメンテーション）が安定すると考えられます。また、欠点が小さな穴や点である以上、一粒あたりに十分な画素数を割り当てる分解能が必要です。視野を広げて処理量を稼ごうとすると分解能が落ち、微小欠点が捉えにくくなるトレードオフがあるため、視野・分解能・処理速度を三点セットで設計することが望ましいと考えます。豆同士が重ならないよう一粒ずつ整列させる搬送（単粒化）も、安定した判定の前提になると考えます。
自然物を相手にするAIでは、モデルの構造以上に「学習データの質と多様性」が性能を支配すると考えます。コーヒー生豆の欠点豆選別においても、データ整備と運用の設計が、実用に耐えるかどうかの分かれ目になると考えられます。
欠点の境界が連続的である以上、「誰がラベル付けしても同じ判断になる」状態を作ることが出発点になります。複数の選別者でグレーゾーンの豆をどう扱うかをすり合わせ、判断基準を言語化・標準化しておくことが望ましいと考えます。基準が人によってぶれたままデータを作ると、モデルはそのぶれをそのまま学習してしまい、精度が頭打ちになりやすいと考えられます。欠点の種類ごとに代表例と限界例（ギリギリ合格・ギリギリ欠点）を揃えておくと、境界付近の判断が安定しやすいと考えます。
前述のとおり、正常豆の見え方は品種・産地・精製方法・収穫年で変わります。学習時に特定のロットに偏ると、別のロットで正常豆を欠点と誤判定しやすくなります。可能な範囲で多様なロットの正常豆を集め、季節や産地をまたいでデータを更新し続ける運用が現実的だと考えます。欠点豆は相対的に出現頻度が低く、種類によっては十分な枚数を集めにくいため、データの偏り（クラス不均衡）への対処も論点になると考えられます。
自然物相手では、AIが自信を持って判定できる豆と、判断に迷う豆が必ず出ます。迷う豆をすべてAIに白黒つけさせるのではなく、確信度が低いものは人の確認に回す、という役割分担が現実的だと考えます。AIが明確な欠点と明確な正常を捌き、グレーゾーンだけを熟練者が見る形にすれば、人の負荷を下げつつ品質を保てる可能性があります。この「人とAIの分担」は、検査自動化を無理なく進めるうえで重要な考え方だと考えます。考え方の全体像は目視検査自動化ガイドでも整理しています。
選別は処理速度が問われる工程であり、ネットワークやクラウドへの往復遅延が制約になる場合があります。現場の装置内（エッジ）で推論を完結させる構成は、レイテンシと安定性の面で利点があると考えられます。小型のエッジAIデバイス（例：NVIDIA Jetson系）で画像分類を動かすアプローチは製造現場でも検討が進んでおり、AI画像検査サービスやエッジAIレトロフィットの文脈とも親和性が高いと考えます。ただし、エッジかクラウドかは要求精度・処理量・運用体制で変わるため、現物で見極めることが前提だと考えます。
欠点豆選別AIは、技術的に魅力的に見える一方で、自然物ゆえの難しさから期待とのギャップが生じやすい領域でもあると考えます。あらかじめ想定しておきたい落とし穴を整理します。
最後に、欠点豆選別AIをどう進めるかの現実的な道筋を整理します。要点は、いきなり全自動・全欠点除去を目指すのではなく、対象を絞って小さく検証し、現場での手応えを確かめながら範囲を広げていくことだと考えます。
まずは、影響が大きく判別しやすい欠点（例：明確な黒豆、夾雑物）から対象を絞り、実際の生豆で撮像と分類を試すところから始めるのが現実的だと考えます。この段階で、撮像条件・分解能・処理速度の制約を実機で確かめ、どの欠点ならAIが安定して捌けるかの感触を得ることが目的になります。小規模な実証（PoC）の進め方はPoC伴走支援の考え方が参考になると考えます。
検証結果をもとに、AIが捌く欠点・確信度の高い領域と、人が確認するグレーゾーンの線引きを決めます。最初から人を完全に置き換えるのではなく、人の負荷を確実に減らす分担から入るほうが、現場に定着しやすいと考えられます。同時に、欠点の種類ごとの出現傾向を記録し、川上工程へのフィードバックに活かす土台を作っておくと、選別を超えた価値につながる可能性があります。
産地・収穫年・精製方法をまたいでデータを蓄積し、モデルを更新し続ける運用に移します。自然物相手では、この継続的な更新こそが実用精度を支える要だと考えます。撮像系の安定維持とあわせて、更新の仕組みを運用に組み込むことが望ましいと考えます。
Nsightでは、元キーエンス画像処理事業部出身の監修者の知見をもとに、撮像設計から欠点分類・運用までを一貫して検討します。とはいえ、コーヒー生豆のような自然物は個体差・ロット差が大きく、机上の設計だけで最適解にたどり着くことは難しいと考えます。だからこそ、実際の豆を持ち寄り、現物・現場での検証を通じて「何がどこまで見えるか」を一緒に確かめながら進めることを重視しています。まずは小さく試すところから、ご一緒できればと考えます。
必ずしも置き換える前提ではないと考えます。色彩選別機は色のコントラストが大きい欠点の高速処理に長け、画像AIは形状や質感の異常、欠点の種類分類に寄与しうる、という補完関係で捉えるのが現実的だと考えられます。色は正常だが形が異常な割れ豆・貝殻豆や、欠点の内訳を記録したい場合に、画像AIが役立つ場面があると考えます。
生豆段階では色が淡く小ぶりな傾向はあるものの、未成熟豆は焙煎後に色が乗らないことで顕在化する場合が多く、生豆画像だけでの判別には限界があると考えます。生豆検査で狙える欠点と、焙煎後検査で補う欠点を分けて、工程全体での役割分担を設計することが現実的だと考えられます。
どの欠点をどこまで取りこぼしなく弾きたいか、という目標を欠点の種類ごとに整理することだと考えます。見逃しゼロと過検出ゼロを同時に求めるのは自然物では難しいため、優先する欠点と、人の確認に委ねるグレーゾーンの線引きを最初に決めることが、現実的な出発点になると考えられます。
産地・収穫年・精製方法が変わると正常豆の見え方も変わるため、何も対策しなければ性能が変動する可能性があると考えられます。多様なロットの正常豆を学習データに含め、シーズンをまたいでデータを更新し続ける運用を前提にすることで、精度を保ちやすくなると考えます。継続更新の仕組みを最初から織り込むことが望ましいと考えます。
可能だと考えます。まずは影響が大きく判別しやすい欠点に対象を絞り、実際の生豆で撮像と分類を試す小規模な実証から始めることをおすすめします。現物で撮像条件や処理速度の制約を確かめたうえで、対象範囲を段階的に広げる進め方が現実的だと考えます。
自然物ゆえの個体差・ロット差は、机上の設計だけでは見極めきれないと考えます。実際の生豆をもとに「何がどこまで見えるか」を、元キーエンス出身の監修者とともに現場で確かめるところから始められます。
欠点豆選別の検証を相談する