トマトの傷・外観を選別する仕組み｜マシンビジョンとAI画像認識

用語解説 NO IMAGE
目次

トマトの傷・外観選別とは

トマトの傷・外観選別とは、選果機のラインを流れる果実をカメラで撮影し、画像処理によって大きさ・形状・表面色・傷・割れ・病変といった見た目の品質を自動判定して等級分けする仕組みのことです。人の目視に代わってマシンビジョン（機械の視覚）が果実を「見て」評価するため、判定基準を均一に保ちながら高速に処理できます。

本記事は トマト選果機とは の解説のうち、外観選別にしぼって掘り下げるものです。重量や糖度による選別とは別系統の技術として、選果ラインの最初の関門を担います。

マシンビジョンによる外観判定の流れ

外観選別は、おおむね次の手順で進みます。まずコンベア上を一果ずつ流れるトマトに均一な照明を当て、カメラで複数方向から撮影します。次に取得した画像から背景を取り除き、果実の輪郭を抽出して大きさと形状を計測します。さらに表面の色分布を解析して成熟度を推定し、局所的な色や明るさの異常から傷・割れ・しみ・病変を検出します。最後にこれらの判定結果を統合して等級を決め、後段の仕分け機構へ指示を送ります。

色は成熟度の重要な指標です。緑・赤・過熟といった段階を見分けることで、生食用と加工用、あるいは即出荷と追熟といった用途別の振り分けが可能になります。

ディープラーニングが精度を押し上げる

従来の外観選別は、しきい値やルールベースの画像処理に頼っていました。近年はディープラーニング、とくに畳み込みニューラルネットワーク（CNN）やYOLO系の物体検出モデルが導入され、判定精度と頑健性が大きく向上しています。

研究レベルでは、YOLOv11を用いて熟したトマト・未熟なトマト・土塊や石・枝という4クラスを産業ラインで識別・カウントする手法が報告されています。学習には1,500枚の画像と14,000を超えるラベル付きインスタンスからなるデータセットが用いられました。また、YOLOv8によって緑・赤・損傷の3クラスへ分類しながらサイズも同時に判定し、物理的な仕分け機構と連動させる研究もあります。打ち身・割れ・しみ・過熟部分まで、2次元画像だけで検出できるところまで実用化が進んでいます。

機械学習ベースの利点は、学習データを追加することで判定基準を更新できる点にあります。産地や品種ごとに異なる規格へ柔軟に対応でき、新しい欠陥パターンが現れても再学習で取り込めます。

欠陥判別と等級付けの研究例

外観選別を支える基礎研究も蓄積されています。機械学習と画像処理を組み合わせてトマトの欠陥を判別し等級付けする手法は、損傷の種類を見分けたうえで等級を決定する流れを体系化しました。Vision Transformerと深層畳み込みニューラルネットワークを組み合わせて成熟段階を予測する研究や、ミニトマトを成熟・半成熟・未成熟の3段階に分類して約94.9%の精度を達成した報告もあり、外観情報からどこまで品質を読み取れるかが着実に広がっています。

外観選別の価値と限界

外観選別の最大の価値は、傷や病害果を早い段階で確実に除去できることです。これにより箱詰め後の腐敗連鎖を防ぎ、流通段階での歩留まりとブランド価値を守ります。一方で、外観だけでは果実内部の糖度や食感までは判定できません。そこで多くの選果機は、外観選別に加えて 重量選別 や 糖度の非破壊選別 を組み合わせ、見た目・サイズ・中身を多面的に評価して最終的な等級を決めています。

参考URL