誤検知率は何%まで下げられますか？

対象と条件によりますが、ヘルメット未着用のように定義が明確な検知であれば、条件を固定した環境で誤検知率10%以下は現実的な水準です。ただし数値目標だけを追うと、閾値を上げて検知漏れを増やすという本末転倒が起きます。誤検知率ではなく「1日あたりの確認工数」を管理指標に置くことを推奨します。

誤検知を減らすために、カメラを増やすべきですか？

台数より設置条件の見直しが先です。逆光になる時間帯、反射する資材の位置、作業導線とカメラの角度を確認すると、多くの誤検知は設置条件で説明できます。台数を増やすと確認対象の総数も増えるため、条件を整えないまま増設すると現場の負荷だけが上がります。

再学習はどのくらいの頻度で行うべきですか？

月次が実務的な目安です。週次にすると現場からのフィードバックが十分に溜まらず、四半期に一度では現場が「戻しても変わらない」と感じて入力をやめます。月次で更新し、更新後の誤検知件数の変化を現場に共有するサイクルが、協力を維持しやすい頻度です。

ベンダー選定時に何を確認すればよいですか？

検知精度の数値よりも、誤検知を現場が戻す操作のタップ数、戻したデータが再学習に使われるかとその頻度、誤検知の理由を記録できるかの3点です。この3つが揃っていないサービスは、導入初期の精度がそのまま1年後の精度になります。

安全管理AIの誤検知を減らす方法｜閾値設計・現場の戻し導線・再学習の回し方

安全管理AIが現場で使われなくなる最大の原因は誤検知です。閾値を上げて件数を減らす対処が逆効果になる理由と、現場が5秒で誤りを戻せる導線の設計、誤検知の理由を残す再学習の回し方を解説します。

安全管理AIを導入したものの、「通知が多すぎて誰も見ていない」という状態に陥る現場は少なくありません。原因のほとんどは誤検知です。

本記事では、誤検知への対処として最初に検討されがちな「閾値を上げる」という判断がなぜ逆効果になるのかを整理したうえで、実際に誤検知を減らしていくための運用設計を解説します。

誤検知が多いとき、閾値を上げてはいけない

検知件数が多いとき、最初に検討されるのは判定閾値を上げることです。確かに通知件数は減ります。しかし安全管理の文脈では、この対処は目的に反します。

閾値を上げるとは、確信度の低い候補を捨てるということです。捨てられる候補には、実際の不安全行動も含まれます。安全管理の目的は危険の見落としを減らすことなので、検知漏れが増える調整は、システムを導入した意味そのものを失わせます。

対処	誤検知	検知漏れ	安全管理上の評価
閾値を上げる	減る	増える	目的に反する
閾値を下げる	増える	減る	確認工数が増える
確認の手間を下げる	変わらない	変わらない	運用が続く
設置条件を整える	減る	変わらない	根本対処になる

現実的な解は下2つです。閾値はむしろ低めに設定し、確認の手間を極小化するという設計が、安全管理では合理的になります。

管理すべき指標は誤検知率ではなく「確認工数」

誤検知率という指標は、単独では運用判断に使えません。同じ誤検知率20%でも、1日の検知件数が20件と200件では、現場にかかる負荷が10倍違います。

実務で管理すべき指標は次の式で求めます。

1日の確認工数 = 1日の検知件数 × 誤検知率 × 1件あたりの確認時間

この式が示すのは、誤検知率を半分にするのと、1件あたりの確認時間を半分にするのは、同じ効果を持つということです。そして後者のほうが、はるかに短期間で実現できます。

具体例で比較します。1日の検知件数100件、誤検知率20%の現場では、確認対象は20件です。

設計	1件あたり	1日の工数	1か月（20日）
管理者PCで確認・記録	60秒	20分	約6.7時間
現場端末で1タップ	5秒	約1.7分	約33分

同じ精度でも、運用に乗るかどうかが分かれるのはこの差です。月6.7時間の追加作業を現場に求める仕組みは、繁忙期に必ず止まります。

現場が5秒で戻せる導線を設計する

誤検知を戻す操作は、次の条件を満たす必要があります。

現場の端末で完結する：事務所のPCに戻る必要がある設計は使われません
1タップで判定できる：「正しい／誤り」の二択に絞る
理由の入力は選択式：自由記述は書かれません。4〜6個の選択肢から選ぶ形式にする
通知から3秒以内に画面が開く：読み込みが遅いと、それだけで運用が止まります

4点目は軽視されがちですが、現場は屋外で通信環境が悪いことが多く、画面表示に10秒かかる設計は事実上使えません。検知画像のサムネイルを軽量化しているか、オフラインで判定を溜めて後から同期できるかは、選定時に確認すべき項目です。

誤検知は「理由」とセットで記録する

戻す操作を作っても、「誤り」というフラグだけを集めていては、再学習の効果は限定的です。同じ誤りを繰り返す原因は、なぜ誤ったのかがデータに残っていないことにあります。

現場の誤検知は、経験上ほとんどが次の4分類で説明できます。

分類	典型的な状況	対処の方向
逆光・白飛び	朝夕の特定時間帯、開口部の方向	設置角度の変更、時間帯別の閾値
反射・映り込み	鏡面資材、水たまり、ガラス面	マスク領域の設定
遮蔽・部分的な写り	資材の陰、他の作業員との重なり	学習データへの追加
小さい写り込み	カメラから遠い位置の作業員	検知対象範囲の限定

この分類を選択肢として持たせておくと、再学習で対処すべきものと、設置条件の変更で対処すべきものを切り分けられます。逆光と反射は学習データを増やしても改善しにくく、カメラの角度やマスク領域の設定で対処するほうが早く確実です。

分類せずに全てを再学習に回すと、モデルは改善しないのに学習データだけが増え、「データを集めても精度が上がらない」という結論に至ります。これは多くの現場で見られる行き詰まりです。

再学習は月次で回し、変化を現場に返す

再学習の頻度は月次が実務的な目安です。頻度そのものより重要なのは、更新した結果を現場に返すことです。

現場が誤検知を戻す作業を続けるのは、それによって通知が減るという実感があるからです。「先月から誤検知が何件減った」という情報を朝礼で共有しない運用は、3か月ほどでフィードバックが途絶えます。

月次で共有すべき情報は次の3つで十分です。

先月の検知件数と、そのうち誤検知だった件数
現場から戻された件数（協力の可視化）
更新後に減った誤検知のパターン（例：逆光の誤検知が半減）

導入初月は「指摘に使わない」

精度が安定しない初期に検知結果を指摘へ使うと、現場の信頼を一度で失います。導入初月は、誤検知の傾向を把握し、設置条件を調整する期間と位置づけるほうが結果的に早く定着します。

この期間に行うことは次の3点です。

時間帯別・カメラ別の誤検知件数を集計し、設置条件を調整する
判定基準を現場と合意する（どこからが「未着用」か、通路の境界はどこか）
戻す操作を実際に使ってもらい、所要時間を測る

とくに2点目は、AIの問題ではなく人間側の基準の問題です。管理者と作業員で「危険」の線引きが違うまま運用を始めると、誤検知として戻されたデータが実は正しい検知だった、という事態が起きます。

検知対象を増やすのは、1対象で運用が回ってから

導入後によくある判断が、「ヘルメットが検知できたので、次は安全帯とバリケードも」と対象を広げることです。これは誤検知が増える典型的な進め方になります。

対象を増やすと、検知件数が対象数に比例して増えるだけでなく、判定基準の合意コストも対象ごとに発生します。安全帯の着用判定は、ヘルメットと違って「フックを掛けているか」まで見る必要があり、カメラの角度と解像度の要求が一段上がります。同じカメラで同じ精度が出ると考えると、必ず期待を下回ります。

判断の順序は次のようになります。

検知対象	判定の難易度	必要な条件
ヘルメット未着用	低い	頭部が写る画角
立入禁止エリアへの侵入	低い	境界をマスクで定義できること
安全帯のフック掛け	高い	高解像度、近距離、複数角度
重機との接近	中程度	重機と人の同時検知、距離推定
転倒・挟まれの検知	高い	動きの時系列解析が必要

まず難易度の低い2つで運用を完成させ、戻す導線と再学習が回っている状態を作ってから、次の対象に進むのが安全です。

夜間・悪天候をどう扱うか

屋外現場では、夜間や雨天の映像が誤検知の温床になります。ここで有効なのは、モデルを強化することではなく、条件ごとに運用を分けることです。

夜間は検知を止め、照明のある範囲のみに限定する
降雨時はレンズへの水滴で誤検知が急増するため、検知結果に「要注意」フラグを立てて扱いを変える
冬季の低い日射角による逆光は、時間帯別に閾値を変える

「あらゆる条件で同じ精度」を目指すと、条件の悪いデータが学習を引っ張り、平常時の精度まで落ちることがあります。条件を限定して運用するほうが、全体としての実用性は高くなります。

精度は「自分の現場のデータ」で測る

ベンダーが提示する精度は、そのベンダーが用意した評価データでの数値です。カメラの高さ、画角、作業員の服装、資材の種類が違えば、自社の現場では再現しません。

導入判断の前に、自社の映像から評価セットを作ることを推奨します。手順は次のとおりです。

対象現場の映像から、時間帯が偏らないように100フレームを抽出する
検知対象が写っているか（正解）を人が判定し、ラベルを付ける
逆光・雨天・混雑といった条件を各20%程度含める
この100件でベンダーの仕組みを評価する

100件でも、ベンダー提示の数値と自社現場での実力差は十分に見えます。この作業には2〜3人日程度かかりますが、導入後の手戻りを考えれば安い投資です。

映像の保存とプライバシーの扱い

映像を扱う以上、避けて通れないのが保存とプライバシーの整理です。運用開始後に問題化しやすい論点を先に潰しておきます。

論点	決めておくこと
保存期間	検知イベント前後のみ保存か、常時録画か。常時録画は費用が跳ね上がる
閲覧権限	誰が映像を見られるか。協力会社の作業員が写る映像の扱い
目的の明示	安全管理目的に限定し、勤怠や作業評価に使わないことを明文化する
周知方法	現場入場時の説明、掲示。協力会社への事前通知
学習利用	撮影した映像をベンダーが他社向けモデルの学習に使うか

最後の「学習利用」は契約書で確認すべき項目です。自社現場の映像が他社向けの学習に使われる条件になっている場合があり、発注者や協力会社との関係で問題になることがあります。

費用対効果は「災害減少」だけで説明しない

安全管理AIの投資判断を、災害件数の減少だけで説明しようとすると行き詰まります。災害は発生頻度が低く、短期間では統計的な差が出ないためです。

実務で説明材料になるのは、次のような副次的だが測定しやすい効果です。

是正指摘から是正完了までの日数短縮（記録が自動で残るため追跡できる）
安全書類・是正記録の作成時間の削減
複数現場の巡回頻度の削減（映像で一次確認ができる）
発注者への安全管理体制の説明材料としての活用

とくに2つ目と4つ目は、金額換算しやすく、稟議での説得力があります。災害件数の低減は長期の目標として置き、短期の投資回収はこれらの指標で示す構成が現実的です。

検討時に確認すべき項目

誤検知を戻す操作は現場端末で完結するか
戻す操作は1タップか。理由は選択式か
通知から画面表示まで3秒以内か。オフライン対応はあるか
誤検知の理由が分類として記録されるか
再学習の頻度と、その費用は契約に含まれるか
更新後の効果を月次で確認できるレポートがあるか
検知結果を人事評価に使わない旨を運用ルールに明記したか

まとめ

安全管理AIの誤検知対策は、モデルの精度を上げる作業ではなく、運用設計の問題として扱うほうが早く改善します。閾値を上げずに確認工数を下げること、誤検知を理由とセットで記録すること、更新結果を現場に返すこと。この3点が回り始めれば、精度は月を追うごとに改善していきます。

Pactomでは、既存カメラを活用した安全管理の仕組みづくりから、運用設計・再学習サイクルの構築までを支援しています。

参考

厚生労働省「職場のあんぜんサイト」https://anzeninfo.mhlw.go.jp/
中央労働災害防止協会 https://www.jisha.or.jp/
国土交通省「i-Construction」https://www.mlit.go.jp/tec/i-construction/index.html