— 製造現場の安全・作業者モニタリングAI特集 第2回 —
前回は、製造業の安全管理が抱える「空間的・時間的・認知的」3つの構造的限界を整理しました。
人の目には限界がある——では、AIカメラは実際に何を、どのように「見て」いるのでしょうか。
「AIが危険を検知する」と言うのは簡単ですが、その中身が見えなければ現場への適用判断はできません。
本記事では、製造現場の安全監視AIが「気づく」3つの代表的な危険——ヘルメット未着用・危険エリアへの侵入・転倒——それぞれの技術的な仕組みと、現場実装で押さえるべきポイントを整理します。
1. AIによる映像解析の基礎——「検知」は2つの技術で成り立つ
安全監視AIが「危険に気づく」ために使われる技術は、大きく2つに分類できます。
物体検知（Object Detection）
映像の中から特定の対象（人・ヘルメット・フォークリフトなど）を認識し、その位置を矩形（バウンディングボックス）で特定する技術です。YOLO（You Only Look Once）系のモデルが現場での実用化で最も広く使われており、処理速度と精度のバランスに優れます。
「ヘルメットをかぶっているか」「人が特定エリアにいるか」の判断は、この物体検知が基本となります。
姿勢推定（Pose Estimation）
人の体の主要な関節点（肩・腰・膝・足首など）の座標を推定し、骨格情報として取得する技術です。MediaPipeやOpenPoseなどのフレームワークが代表的で、「転倒」「しゃがみ込み」「異常な体勢」の検知に使います。
骨格の角度変化や関節点の位置関係を時系列で追うことで、「いつもと違う動き」を検出します。
2. 検知①：ヘルメット・保護具の着用確認
製造現場で最も基本的な安全ルールの一つが、ヘルメットや安全ベストなどの保護具着用です。しかし「着けていない人を都度注意する」のは人手で行う限り難しい。ここで物体検知が活きます。
仕組み
カメラ映像から人物を検出し、頭部領域に対してヘルメットの有無を判定します。「ヘルメットあり」「ヘルメットなし」の2クラス分類として学習させたモデルを使うことが多く、色・形状・反射特性を学習させることで高精度な判定が可能です。
精度と現場条件
精度に影響する主な要因として、カメラの設置角度と解像度が挙げられます。真横からの映像では頭部の見え方が変わり、精度が落ちます。俯瞰気味のアングルで頭部が明確に映るよう設置するのが基本です。また、夜間・薄暗い照明環境では赤外線カメラの併用が必要になるケースもあります。
安全ベスト・防護メガネなど他の保護具の検知も、同様の物体検知で対応できます。学習データに現場固有の保護具の画像を加えることで、汎用モデルより精度を高めることができます。
3. 検知②：危険エリアへの侵入
フォークリフト走行路・プレス機周辺・高温エリアなど、立入禁止区域への人の侵入は重大事故に直結します。これを検知するのが「エリア侵入検知」です。
仕組み
カメラ映像上に仮想的な「ジオフェンス（仮想境界線）」を設定し、その領域内に人物が検出された瞬間にアラートを発します。設定はソフトウェア上での操作で完結するため、物理的な柵や赤外線センサーを追加する必要がありません。
さらに「進入方向」や「エリア内での滞在時間」を条件に加えることで、誤検知を減らす設計も可能です。たとえば「エリア内に3秒以上滞在した場合にのみアラート」とすれば、通路を横切るだけの場合を除外できます。
精度と現場条件
課題になりやすいのがカメラの視野角と死角です。柱・設備・パレットなどの遮蔽物により、カメラから見えないエリアが生まれます。1台のカメラでカバーできる範囲には限界があり、複数台のカメラを組み合わせた死角のない配置設計が実装上のポイントになります。
4. 検知③：転倒・異常姿勢の検知
転倒は突発的に起きるため、気づいた時には意識を失っているケースもあります。迅速な発見と初期対応が生死を左右することもある、最も緊急性の高い検知項目です。
仕組み
姿勢推定によって取得した骨格情報から、人物の「縦横比の変化」と「関節点の位置関係」を時系列で監視します。通常、立位の人物は縦に長い骨格構造をもちますが、転倒すると骨格が横方向に倒れ、腰・肩の座標が急激に下降します。この変化量が閾値を超えた場合に「転倒」と判定します。
しゃがむ・かがむなどの正常な動作との区別がポイントになります。「急激な速度での体勢変化」「頭部が床面近くまで下降している」といった複数条件を組み合わせることで、誤検知を抑えます。
精度と現場条件
他の作業者や設備に遮蔽されると骨格推定の精度が落ちます。また、工場内の床反射・蒸気・粉塵など特殊な環境条件も影響します。複数カメラからの映像を統合して判定する設計が、遮蔽問題への現実的な対処法です。
5. 「精度」と「誤検知」——現場実装のリアル
AIによる安全監視を検討する際、「本当に正しく検知できるか」は当然の疑問です。ここで押さえておきたいポイントがあります。
AIの検知性能を評価する指標として、「見逃し（False Negative）」と「誤検知（False Positive）」のトレードオフがあります。閾値を下げると見逃しは減りますが誤検知が増え、逆に閾値を上げると誤検知は減りますが見逃しリスクが高まります。
安全監視においては「見逃し」のほうが致命的なため、一定の誤検知を許容しながら閾値を設定するのが現実的な設計です。ただし、誤検知が多すぎると現場担当者がアラートに慣れてしまい、重要なアラートを見逃すという逆説的な問題（「アラート疲れ」）が生じます。
重要なのはAIの検知精度を現場環境に合わせてチューニングする期間を設けることです。汎用モデルをそのまま使うのではなく、自社の現場映像で追加学習させたり、誤検知パターンを分析して除外ロジックを加えたりすることで、実用レベルへの調整が可能になります。
おわりに
AIカメラによる安全監視は、物体検知と姿勢推定という2つの基盤技術の組み合わせで成り立っています。ヘルメット着用確認・危険エリア侵入・転倒検知それぞれに固有の設計ポイントがあり、現場環境への適合がシステムの実効性を左右します。
次回（第3回）では、こうした安全監視AIを現場で動かすために必要なエッジAI PCの要件——処理性能・耐環境設計・設置条件——について具体的に整理します。
本記事のシリーズ
- 第1回：製造現場の安全管理、なぜ「見ているだけ」では限界なのか
- 第2回：AIカメラが「気づく」3つの危険——ヘルメット・侵入・転倒（本記事）
- 第3回：安全監視AIを現場で動かすために——エッジAI PCが選ばれる理由（近日公開）
