アメリカ・ミネソタ州のサザン・ミネソタ・ビート・シュガー・コーポラティブ（Southern Minnesota Beet Sugar Cooperative、SMBSC）は、てんさいの受入検査を画像で見た目・不純物を判定する仕組み（コンピュータビジョン）に切り替えています。構築はアマゾン・ウェブ・サービス（Amazon Web Services、AWS）のパートナー、タクティカル・エッジ・エーアイ（Tactical Edge AI）です。AWSの公式ケーススタディがこの事例を紹介しています。
SMBSCは、南部ミネソタの生産者が持つてんさい糖の協同組合です。収穫のピークでは、季節あたり数万台規模のトラックが受入拠点に集まります。各荷について、余分な土や葉（グリーン）などの不純物を見てから工程に入れます。葉の混入は、あとの砂糖品質と生産者への支払調整の両方に効き、年間で数百万ドル規模の非効率につながりえます。
従来は人手の目視と、「葉がある／ない」の二値判定でした。ピーク時に毎荷を同じ基準で見るのは難しく、ばらつきと再検査、週間レポートの手作業が残っていました。照明や天候も屋外受入では変わります。
タクティカル・エッジは現地で受入の流れと環境を確認したうえで、カメラ設置からデータ経路、モデル配備、アラートまでを組み立てました。モデルの学習と配備にはアマゾン・セージメーカー（Amazon SageMaker）を使いました。荷の画像をアマゾンS3（Amazon S3）に保存し、画像が届いたタイミングで処理が始まる仕組み（イベント駆動）で処理へ回して、AWSのラムダ（AWS Lambda）が後段の処理と画面更新をまとめ、準リアルタイムで不純物の度合いを出します。ある／ないではなく0から100の連続スコアで、決めた基準（閾値）を超えた荷だけ運用責任者へ自動で知らせ、対応を日単位から分単位へ縮める狙いです。
事例の数字では、不純物検出の精度は90%を超え、1荷あたりの採点は3秒未満です。規格外荷への支払抑制と受入判断の改善で、潜在的に年間約500万ドルの節約を見込みます。連続スコアは、生産者への早いフィードバックにもつながります。
| 公表されている説明 | こちらで確認できていないこと |
|---|---|
| セージメーカーの画像判定で不純物を0〜100採点（AWS公式） | スコア校正曲線の第三者検証 |
| 精度90%超、1荷3秒未満（同） | 試験セット定義と混同行列の監査 |
| S3／ラムダによる準リアルタイム処理（同） | 拠点別の実測レイテンシ |
| 潜在的に年間約500万ドル節約（同） | 会計監査済みの実績額 |
| 決めた基準超過時の自動アラート（同） | アラート閾値の設計書全文 |
砂利や再生骨材の受入、家畜飼料原料の荷下ろしなど、屋外で荷を見て支払と工程が同時に動く現場があります。葉あり／なしのような二値をやめ、0〜100の連続スコアと例外アラートだけ運用責任者へ回す使い方ができます。
屋外で撮った荷の画像を学習モデルで0から100まで採点し、決めた基準を超えた荷だけ運用責任者へすぐ知らせます。葉あり／なしの二値をやめ、支払と工程の判断材料をそろえる使い方です。
