7
Help us understand the problem. What are the problem?

posted at

微生物検査にAI導入!? 機械学習であなたも熟練の検査員に

こんにちは、仕事で食品検査を担当しています。
入社してまもなく半年、デジタルに関する知識はほぼ0ですが、家の遠い私が定時で帰宅するために業務の効率化ができないか模索中です。
今回もデジタルで解決できそうな課題があったのでご紹介します。

前回の記事はこちら
https://qiita.com/mhsc/items/d4538fd699bd81aee3db

0. 完成品

はじめに今回作成したものです。

取り組み過程や使用ツールについて書いていきます。

1. 取り組み背景

突然ですが、私は食べることが大好きです!笑
みなさんも毎日食べ物を食べますよね!
私は、食品の品質検査の中でも微生物検査に従事しています。
食品が衛生的に作られたか、人に危害を与える食中毒菌は存在しないかなどをを調べ、みなさまに安心して食事を楽しんでもらうための仕事です。

しかし、この微生物検査、現状ほぼほぼ人力で行われています。
簡単な検査の流れをお伝えします。
スクリーンショット 2022-09-18 9.57.12.png

一部、菌数測定のところでは自動コロニーカウンターを使用することがありますが、それ以外の工程は全て手作業、目視による確認で行われています。

特に測定や判定は、検査員の経験や技術が必要とされ、ぺーぺーの私はまだまだ力不足で役に立ちません。
こんなマンパワーで成り立っている職場ですが、デジタルの力を使って私も先輩方の役に立ちたい!
そして早く帰りたい!(笑)

そんなこんなで思いついたのが「画像認識AIによる判定」です!

熟練の技術が必要とされる工程に、画像の機械学習ができるツールを用いて、人間の代わりをしてもらおうというアイデアです。
うまくいけば、新人、ベテラン問わず誰が担当しても同じ結果が得られますし、
現在この「判定」は2名の検査員でダブルチェックを行っていますが、AIの判定と目視の判定を照合するというフローになれば人員・時間削減にも繋がります。

2. 使用ツール

Teachable Machine
Node-RED
Make
Google スプレッドシート

3. 実施内容

3.1. 検査概要

今回は感染すると腹痛、下痢などを発症してしまう食中毒菌の1種、「サルモネラ」の確認試験のうち、TSIという培地の判定に取り組みました。
サルモネラや培地の説明をすると長くなってしまうので、ざっくりとしたイメージを持っていただければと思います。

この、細菌の種類によって変化する培地の色を識別して判定を行っていきます。

培地の組成や反応原理に興味のある方はこれらの記事を参考にしてください。

神奈川県衛生研究所HP

一般の方のブログ記事(図がわかりやすいです)

3.2. モデルの作成

Teachable Machineにアクセスし、「使ってみる」→「画像プロジェクト」→「標準の画像モデル」を選択します。
Classに名前をつけ、その場でWebカメラで撮影するか、保存してある画像をアップロードする、たったこれだけです!

撮影時のポイント
背景は白地など、ごちゃごちゃしていない方が精度がよくなると思われます!

Class名=出てくる判定ワードは、実際の判定記入形式ではなく、一目で結果がわかりやすいものにしています。

もう一つオススメなのが、「準備中」のClassを作ることです。
認識したいものと次の認識したいものの間に、関係ない判定ワードが出るのが嫌だったので、間用に使えるモデルも作成しました。

画像が準備できたら「トレーニング」開始です。

3.3. Node-REDでモデルをシステム化

トレーニング済みのモデルをアップロードします。
ここで出てくるリンクをコピーし、Teachable Machine NodeのUrl欄に貼り付けます。
本記事ではNode-REDの詳細説明は省略します。
必要Nodeをダウンロード、写真のようにNode同士をつなぎ合わせてカメラボタンを押すと、、、
見事に判定してくれました!

ここまでで、写真を撮ったらそれが何に該当するか判定してくれるシステムが完成しました。

3.4. Makeと連携させて、AIと人間による判定システムを構築

続いて、実際の実施方法に近づけるため、Class名に登録した全体の結果ではなく、目視で検査員が判定する時と同様の方法でGoogle Sheetsに記入できるようにしました。
<記入項目:斜面部(培地上部)の色、高層部(培地下部)の色、硫化水素を産生能力の有無(黒変の有無)>

とやりたかったのですが、今回はここまで。
Makeの設定がうまくいかず、シートへの記入は次回へのおあずけとします。

4. 今後の課題

試作品を先輩方にみせたところ、
「すごい、こんなのできるの!?」
「近未来みたい」
「ちょっとついていけない…」
「すごく微妙な色の変化を見る必要がある他の培地もあるけどいける?」
「色の見え方は人それぞれだから、きちんと判定できるなら使えるかも」
「結果の出力方法はもう少し考えてね」
などなど、たくさんのご意見をいただきました!

Teachable Machineの制度の限界はわかりませんが、微生物試験にはたくさんの培地があります。
何度も学習させて精度をあげるのはもちろんのこと、認識できるもの、判定には使えないものをしっかり吟味して、いつか実際に使えたらなーなんてもくろんでいたりいなかったりしています。

ちなみにほぼ手作業とお伝えした微生物検査ですが、先端技術を利用している記事があったのでご紹介します。
完全自動化はなかなか難しいですが、検査室にも少しずつ技術を取り入れて、より正確で効率的な検査ができたらいいですね!

微生物検査工程の省力化・自動化の課題を解決!
アサヒ飲料 自動検査装置
アサヒ飲料 AI

新入社員の挑戦はまだまだ続きます。
最後までお付き合いいただき、ありがとうございました!

Register as a new user and use Qiita more conveniently

  1. You can follow users and tags
  2. you can stock useful information
  3. You can make editorial suggestions for articles
What you can do with signing up
7
Help us understand the problem. What are the problem?