ジャガイモで学ぶ！OpenCV外観検査入門③ ～動体検知・カウント～
はじめに
製造現場での検査対象は、いつも止まっているとは限りません。
コンベアの上を流れる製品、作業するスタッフ、搬送ロボット……。現場は常に「動いて」います。
これまでの連載では「色」「大きさ」という静止画の情報を見てきましたが、今回は「動き（トラッキング）」がテーマです。「今、ラインに何個流れているか？」「どこで滞留しているか？」といった情報は、1枚の画像だけでは分かりません。
第3回となる本記事では、Pythonの画像処理ライブラリ「OpenCV」を使って、動いているジャガイモを追いかけ、個数を数える仕組みを解説していきます。
この記事でわかること
- コンピューターが物体を「追いかける（追跡）」仕組み
- 製造業の現場で「動体検知」や「カウント」がどのように活用されるか
この記事はこんな方におすすめ
- 生産数や在庫の自動カウントに課題を感じている現場管理者の方
- 生産数や「歩留まり（良品率）」の正確な把握に課題を感じている現場管理者の方
OpenCVとは
OpenCV（Open Source Computer Vision Library）は、Intelが開発した画像処理・コンピュータビジョンのためのツールです。簡単に言えば、「コンピュータに『人間の目』のような機能を持たせるための、無料ツール」です。製造業の検査装置や、自動運転車のカメラ、顔認証システムなど、世界中の「画像認識」の現場で標準的に使われています。
この記事では「OpenCV」を使って、「画像処理で何ができるのか？」をジャガイモを通して体験しています。
過去の記事
人間とコンピュータの「動き」の捉え方の違い
人間は目で見て「あ、ジャガイモが右へ流れていった」と直感的に分かりますが、コンピュータにとっては動画も「パラパラ漫画（静止画の連続）」に過ぎません。
そこで、コンピュータは以下のステップで「動き」を理解します。
- 検出（フレーム1）： ジャガイモを見つける（座標A）。
- 検出（フレーム2）： 次の瞬間の画像でジャガイモを見つける（座標B）。
- 紐付け（トラッキング）： 「座標Aと座標Bは近いから、同じジャガイモだろう」と判断し、追跡する。
この「前のフレームの自分」と「今の自分」を紐付ける作業が、トラッキングの正体です。
ジャガイモを「追跡」してカウントする
今回は、ベルトコンベア上を流れるジャガイモを想定します。 第2回で学んだ「輪郭抽出」を動画の各コマで行い、IDを振っていくと、以下のようなことができます。
ロジックの概要
- 物体検出： 各フレームでジャガイモの位置（中心点）を特定する。
- 特定： 前のフレームの位置と距離が近いものを同じジャガイモとして引き継ぐ。
- カウント： 新しいIDが出現したら「生産数 +1」とする。
画面中央の基準線を通過したジャガイモの個数だけ、左上のカウンターが増加します。
※上の画像では初期値10から2個通過しているため、12となります。
このように、単に「ある/なし」だけでなく、「個々の物体を識別して追いかける」ことが可能になります。
実際のコード（Python / OpenCV）
動作するサンプルコードのイメージです。
import cv2, numpy as np, datetime, os, math
def main():
# 1. カメラ設定 (Camera Setup)
# iPhoneをWebカメラとして使用し、見つからなければ終了
cap = cv2.VideoCapture(0)
if not cap.isOpened(): return print("Camera not found.")
# 2. 録画準備 (Recording Setup)
# 画面サイズを取得し、デスクトップに日時付きファイル名で保存準備
w, h = int(cap.get(3)), int(cap.get(4))
path = os.path.join(os.path.expanduser("~/Desktop"), f"potato_{datetime.datetime.now():%Y%m%d_%H%M%S}.mp4")
out = cv2.VideoWriter(path, cv2.VideoWriter_fourcc(*'mp4v'), 30, (w, h))
print(f"REC: {path} (Press 'q' to quit)")
# 初期変数: 背景(avg), 追跡対象(tracked), カウント(count), ID(oid), カウントライン(line_y)
avg, tracked, count, oid, line_y = None, {}, 0, 0, h // 2 + 50
while cap.isOpened():
ret, frame = cap.read()
if not ret: break
# 3. 画像処理 (Image Processing)
# グレースケール化 -> ぼかし処理（ノイズ除去）
gray = cv2.GaussianBlur(cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY), (21, 21), 0)
# 最初のフレームを背景基準として保存
if avg is None: avg = gray.copy().astype("float"); continue
# 4. 動体検知 (Motion Detection)
# 現在のフレームと背景の差分を計算し、二値化（白黒はっきりさせる）
cv2.accumulateWeighted(gray, avg, 0.5)
thresh = cv2.dilate(cv2.threshold(cv2.absdiff(gray, cv2.convertScaleAbs(avg)), 5, 255, cv2.THRESH_BINARY)[1], None, iterations=2)
# 5. 輪郭抽出 & 追跡 (Tracking Logic)
new_tracked, cur_cents = {}, []
# 動いている部分の輪郭を見つける
for c in cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]:
if cv2.contourArea(c) < 5000: continue # 小さい動きは無視
x, y, wa, ha = cv2.boundingRect(c)
# 緑枠とラベルを描画
cv2.rectangle(frame, (x, y), (x+wa, y+ha), (0, 255, 0), 2)
cv2.putText(frame, "Potato", (x, y-10), 0, 0.5, (0, 255, 0), 2)
cur_cents.append((x + wa//2, y + ha//2)) # 中心座標を保存
# 既存の追跡オブジェクトと現在の位置をマッチング
for cx, cy in cur_cents:
match, min_d = None, 50
for i, (ox, oy) in tracked.items():
d = math.hypot(cx-ox, cy-oy)
if d < min_d: min_d, match = d, i
p_id = match if match is not None else oid
if match is None: oid += 1
# 6. カウント判定 (Counting)
# ラインを上から下に通過したらカウントアップ
if match is not None and tracked[p_id][1] < line_y <= cy:
count += 1
cv2.line(frame, (0, line_y), (w, line_y), (0, 255, 255), 5) # 通過時に黄色く光る
new_tracked[p_id] = (cx, cy)
del tracked[match] if match is not None else None
tracked = new_tracked
# 7. UI描画 & 保存 (Draw & Save)
cv2.line(frame, (0, line_y), (w, line_y), (0, 0, 255), 2) # カウントライン（赤）
cv2.putText(frame, f"Total: {count}", (10, 50), 0, 1, (0, 255, 255), 2)
cv2.circle(frame, (w-30, 30), 10, (0, 0, 255), -1) # RECマーク
cv2.putText(frame, "REC", (w-70, 35), 0, 0.5, (0, 0, 255), 2)
out.write(frame); cv2.imshow("Potato Counter", frame)
if cv2.waitKey(1) & 0xFF == ord('q'): break
# 終了処理
cap.release(); out.release(); cv2.destroyAllWindows()
print(f"Done. Count: {count}")
if __name__ == "__main__": main()製造現場への応用：トラッキングは「工場の目」と同じ
今回実践した「動くものを識別して追いかける」という技術は、実際の製造現場でも全く同じロジックで活用されています。生産管理や歩留まり改善の基礎となります。
| 業界 | 検査の種類 | 現場での検知対象 |
| 食品・日用品 | 生産数カウント | コンベアを流れる製品や、梱包された段ボールの総数カウント。（生産進捗の把握） |
| 自動車・組立 | タクトタイム計測 | 部品が工程を通過するのにかかった時間。（設備の速度低下や作業遅れの検知） |
| 電子部品 | 歩留まり・仕分け | 検査機通過後の「良品レーン」「排出レーン」それぞれへの移動数。（直行率・歩留まりの算出） |
現場導入の「壁」を感じていませんか？
ここまでOpenCVによるトラッキングの基礎をお伝えしてきましたが、いざ実際の現場に導入しようとすると、高い「壁」にぶつかることがあります。
- 対象物の重なり：
製品同士が重なったりすれ違ったりすると、IDが入れ替わったり、一つに見えてしまったりする。 - 形状の変化（転がり・回転）：
コンベア上で製品が転がって「見え方（輪郭）」が変わると、コンピュータは「新しい物体が来た」と勘違いし、二重カウントしてしまう。 - 背景ノイズや異物の誤検知：
OpenCVは「動くもの」を単純に検知します。そのため、コンベアの汚れ、虫、あるいは調整で入った作業者の手なども「製品」として誤ってカウントしてしまう。
こうした「重なり」や「複雑な動作解析」には、OpenCVのルールベース手法だけでは限界があります。そこで有効なのが、物体検知モデルをはじめとしたAI（ディープラーニング）技術です。
ムクイルについて
株式会社ムクイルでは、お客さまの要件に合わせて、システムを柔軟にカスタマイズ可能です。画像処理や画像解析の導入をお考えの企業さまは、ぜひムクイルにご相談ください。システムの導入から運用まで、最先端の技術と豊富な実績を活かしてお客さまの課題をサポートいたします。
お問い合わせはこちらから
導入のご相談やデモのご依頼は、下記よりお気軽にお寄せください。
