AI画像認識で不安全行動を検知｜工場・建設現場のカメラ活用事例
「ヘルメットのあご紐が外れていた」「立入禁止エリアに作業員が入っていた」——こうした不安全行動は、事故が起きた後の調査で初めて発覚することが多い。現場に監視カメラはあっても、24時間すべての映像を人の目で追い続けることは現実的ではない。結果として、危険の兆候は記録には残っても誰にも気づかれず、重大災害へとつながる。
AI画像認識は、この「見落とし」の構造そのものを変える技術である。既設のカメラ映像をAIが常時解析し、保護具の未着用や危険エリアへの侵入をリアルタイムで検知してアラートを出す。人の注意力に依存しない監視を、追加の人員なしで実現できる。本記事では、工場・建設現場でのAI画像認識による不安全行動検知の仕組み、具体的な活用事例、導入ステップ、そして検知だけで終わらせないための原因分析との連携までを解説する。
1. AI画像認識による不安全行動検知とは
AI画像認識による不安全行動検知とは、カメラ映像をディープラーニングモデルが解析し、人やモノの状態・動きから危険な行動や状況を自動的に判定する仕組みである。従来の防犯カメラが「記録」を目的とするのに対し、この技術は「予防」を目的とする点が決定的に異なる。
不安全行動とは、労働災害につながりうる人の危険な行為を指す。ヘルメットや安全帯の未着用、走行中のフォークリフトへの接近、立入禁止区域への侵入、安全柵を越えた身を乗り出しなどが典型例である。これらの多くは作業者本人に危険の自覚がなく、管理者が常時見張ることも難しい。
AI画像認識が検知できる対象は、大きく次の3つに分類できる。
| 検知カテゴリ | 検知内容の例 | 主な用途 |
|---|---|---|
| 人の状態 | 保護具（ヘルメット・安全帯・保護メガネ）の着用有無、転倒・うずくまり | 保護具管理、体調異変の検知 |
| 位置・侵入 | 危険エリア・立入禁止区域への進入、機械可動範囲への接近 | エリア管理、接触事故防止 |
| 動作・姿勢 | 走行、無理な前傾姿勢、規定外の作業姿勢 | 危険動作の抑止 |
重要なのは、AIは「事故そのもの」ではなく「事故の前段階にある不安全行動」を捉える点である。ハインリッヒの法則が示すとおり、1件の重大災害の背後には多数の不安全行動が存在する。その段階で介入できれば、災害の確率を大きく下げられる。
AI画像認識で検知した不安全行動を「記録して終わり」にしていないだろうか。検知データを根本原因の分析につなげることで、初めて再発防止が機能する。WhyTrace Plus（whytrace.com）は、検知された事象をAIがなぜなぜ分析まで深掘りするプラットフォームである。
2. なぜ今、現場でカメラ活用が進むのか
カメラ活用が現場で急速に広がっている背景とは、労働災害の高止まりと、AI・カメラ技術のコモディティ化が同時に進んだことである。安全対策の「人海戦術」が限界を迎え、技術による補完が現実的な選択肢になった。
労働災害の発生状況を見ると、製造業では機械による「はさまれ・巻き込まれ」の死傷者数が2024年（令和6年）に4,692人にのぼった（前年比4.4%減、2026年時点の最新確定値）。減少傾向にはあるものの、依然として製造業の災害類型として大きな割合を占める。国は第14次労働災害防止計画で、2027年（令和9年）までに2022年比でこの数値を5%以上削減する目標を掲げている（参考：令和6年の労働災害発生状況を公表 厚生労働省）。
建設業では状況がより深刻である。死亡者の約4割を墜落・転落災害が占め、2025年上半期の事故類型は「墜落・転落」が32.4%、「はさまれ・巻き込まれ」が18.7%、「転倒」が14.2%という構成だった（参考：厚生労働省・国土交通省 建設業における安全衛生をめぐる現状について）。墜落・転落や危険エリアへの接近は、まさにAI画像認識が得意とする検知領域である。
技術面の追い風も大きい。次の3点が、数年前と比べて導入のハードルを劇的に下げた。
- 既設カメラの活用: 多くの現場にすでに設置されている監視カメラの映像をそのまま解析できるため、カメラの新規敷設費用を抑えられる
- エッジAIの普及: 現場の端末側で映像を解析する仕組みが普及し、全映像をクラウドに送らずに済むため通信負荷とプライバシー懸念が軽減した
- 学習済みモデルの汎用化: ヘルメット検知や人物検知など、安全用途に特化した学習済みモデルが流通し、ゼロから開発する必要がなくなった
人手不足で安全担当者を増やせない現場ほど、「人の目を増やす」のではなく「AIの目で補う」という発想が現実的になっている。
3. AI画像認識が検知できる不安全行動の種類
AI画像認識が検知できる不安全行動の種類とは、保護具の着用状態から危険エリアへの侵入、危険動作まで多岐にわたる検知パターンである。現場の災害類型に応じて、検知させる項目を設計することが導入成功の鍵になる。
保護具の着用検知
最も導入実績が多いのが保護具の着用検知である。AIが人物を検出し、ヘルメット・安全帯・保護メガネ・安全靴などの着用有無を判定する。入退場ゲートに設置すれば、未着用者が現場に入る前にアラートを出せる。
ポイントは「あご紐の締結」まで判定できるモデルが増えていることである。ヘルメットを頭に乗せているだけのケースは墜落時に保護機能を果たさないため、着用の「質」まで見る運用が重要になる。
危険エリア・立入禁止区域への侵入検知
カメラ映像上に仮想的なライン（バーチャルフェンス）を設定し、人がそれを越えたら検知する仕組みである。重機の旋回範囲、プレス機の可動域、開口部の周辺など、物理的な柵を設けにくい箇所の管理に有効である。
時間帯や作業者の権限と組み合わせ、「夜間は全員侵入禁止」「許可者以外は接近禁止」といった条件付きの検知も設定できる。
危険動作・姿勢の検知
走行、安全柵からの身の乗り出し、無理な前傾姿勢など、動作そのものを危険と判定するパターンである。骨格推定（姿勢推定）技術を使い、人体の関節位置から動作を解析する。
フォークリフトと歩行者の接近検知
物流倉庫や工場で多発するフォークリフトと歩行者の接触事故を防ぐため、両者の距離をAIが監視し、一定範囲内に近づいたら警告音を鳴らす仕組みも普及している。
検知項目を欲張りすぎると誤検知が増え、現場が警告を無視するようになる。自社の災害履歴やヒヤリハット記録から「最も防ぎたい不安全行動」を絞り込むことが、運用定着の出発点である。ヒヤリハットの収集方法はヒヤリハット活動の事例集も参考になる。
4. 工場・建設現場のカメラ活用事例
AI画像認識のカメラ活用事例とは、実際の工場・建設現場で不安全行動の検知が災害減少につながった具体的な取り組みである。ここでは業種別に代表的なパターンを整理する。
事例1：自動車部品工場の保護具未着用ゼロ運動
ある自動車部品工場では、保護メガネの未着用による眼の負傷が散発していた。原因を調べると、「短時間の作業だから」と着用を省略するケースが多いと判明した。
そこで、加工エリアの入口カメラにAI画像認識を導入し、保護メガネ未着用を検知すると入口のサイネージに本人の映像と警告を表示する運用を始めた。人に注意される前に自分で気づける仕組みにしたことで、着用率が向上し、未着用に起因する負傷が減少したとされる。
事例2：建設現場の墜落・転落リスク検知
建設現場では、足場の最上層や開口部周辺での安全帯未使用が墜落事故の主因になる。ある現場では、高所作業エリアにカメラを設置し、安全帯のフック未掛けと開口部への接近を検知する仕組みを導入した。
検知時には現場監督のスマートフォンにアラートが届き、即座に無線で声かけができる。「事故が起きてから」ではなく「危険な状態のうちに」介入できるようになり、ヒヤリハット報告とAI検知ログを突き合わせることで、危険箇所の特定精度も上がったとされる。
事例3：物流倉庫のフォークリフト接触防止
物流倉庫では、フォークリフトと歩行者の動線が交錯する箇所で接触リスクが高い。ある倉庫では、交差点に相当するエリアにカメラを設置し、フォークリフトと歩行者が同時に接近すると双方に警告灯で知らせる仕組みを導入した。
人の注意喚起だけに頼っていた頃と比べ、「ヒヤリとした」報告が可視化され、動線そのものの見直しにつながったという。
事例4：化学プラントの転倒・体調異変検知
単独作業が多い化学プラントでは、作業者の転倒やうずくまりを誰も発見できないリスクがある。あるプラントでは、AIが人の転倒姿勢を検知すると管理室に通報する仕組みを導入し、熱中症や急病の早期発見に役立てている。
これらの事例に共通するのは、AIの検知を「人による声かけ・動線改善・原因分析」につなげている点である。検知して終わりではなく、検知を起点にアクションが回る設計になっているからこそ効果が出ている。
5. AI画像認識導入のステップと注意点
AI画像認識の導入ステップとは、検知目的の明確化から試験運用、本格運用までを段階的に進めるプロセスである。技術導入そのものより、運用設計とプライバシー配慮が成否を分ける。
導入の5ステップ
| ステップ | 内容 | ポイント |
|---|---|---|
| 1. 目的の明確化 | 防ぎたい不安全行動を災害履歴から特定 | 検知項目を絞り、誤検知を抑える |
| 2. カメラ環境の確認 | 既設カメラの解像度・画角・設置位置を確認 | 既設活用でコストを抑制 |
| 3. PoC（試験運用） | 限定エリアで検知精度を検証 | 現場の作業実態に合うか確認 |
| 4. 運用ルール策定 | アラートの通知先・対応フローを決定 | 「誰が・いつ・どう動くか」を明文化 |
| 5. 本格運用と改善 | 検知ログを分析し、検知条件を調整 | 原因分析と連動させ再発防止へ |
注意点1：プライバシーへの配慮
従業員を撮影する以上、個人情報・プライバシーへの配慮は必須である。撮影目的の事前告知、労使での合意形成、映像の保存期間・アクセス権限のルール化を導入前に整える必要がある。顔をぼかして人の状態だけを解析するモデルを選ぶ、映像をクラウドに送らずエッジで処理するなど、技術的な配慮も有効である。
注意点2：「監視」ではなく「支援」の位置づけ
AIカメラを「従業員を監視する道具」と受け取られると、現場の反発を招き運用が形骸化する。「個人を評価・処罰する」のではなく「危険から守る」「現場全体の傾向を改善する」という位置づけを明確に伝えることが、定着の前提条件である。
注意点3：誤検知との付き合い方
どんなモデルも誤検知をゼロにはできない。誤検知が多いと現場がアラートを無視し始める。検知条件のチューニングを運用初期に重点的に行い、「オオカミ少年」化を防ぐことが重要である。
6. 検知で終わらせない――不安全行動の原因分析と再発防止
AI画像認識の真価とは、検知データを蓄積・分析し、不安全行動が起きる根本原因に対策を打つことで初めて発揮される性質のものである。検知はゴールではなく、再発防止のスタート地点にすぎない。
AIカメラが「保護具未着用が特定の時間帯・特定のエリアに集中している」というデータを示したとする。ここで「未着用者を注意する」だけで終われば、根本原因は手つかずのまま残る。なぜその時間帯・エリアで未着用が起きるのか——「交代直後で慌ただしい」「保護具置き場が遠い」「短時間作業の慣習」といった背後の要因を掘り下げてこそ、対策が立つ。
ここでなぜなぜ分析（5Why分析）が威力を発揮する。AI検知ログという客観的なデータを起点に「なぜ未着用が起きるのか」を繰り返し問うことで、表面的な行動ではなく仕組みの欠陥にたどり着ける。
| アプローチ | 対策の例 | 効果の持続性 |
|---|---|---|
| 検知して注意するだけ | 未着用者への声かけ | 一時的、本人が変わると元に戻る |
| 原因分析まで行う | 保護具置き場の移設、交代手順の見直し | 持続的、仕組みが変わる |
検知データの蓄積は、ヒヤリハット報告の客観的な裏付けにもなる。人の主観に頼っていた「危ない気がする場所」を、AIの検知頻度というデータで裏づけられるため、設備改善の投資判断にも説得力が生まれる。AIを活用した安全管理全体の設計についてはAIを活用した安全管理の進め方もあわせて確認したい。
課題と解決
課題: AIカメラで不安全行動を検知できても、「記録するだけ」で再発防止につながらない。なぜその行動が起きるのか、原因の深掘りが現場任せになっている。
解決: WhyTrace Plus（whytrace.com）なら、検知された事象を入力するだけでAIが「なぜ？」を対話形式で深掘りし、根本原因を因果ツリーで可視化する。対策の立案・進捗管理・組織ナレッジ化までを一体で運用でき、検知を確実に再発防止へつなげられる。
よくある質問（FAQ）
Q. 既存の監視カメラをそのままAI画像認識に使えますか？
多くの場合、既設カメラの映像を解析する形で活用できる。ただし、解像度が低すぎる、画角が狭い、対象が遠すぎるといった場合は検知精度が落ちるため、PoC（試験運用）で実際の映像を使った検証を行うことを勧める。新規カメラを敷設するより、まず既設環境で試すのがコストを抑える定石である。
Q. AIカメラの導入は従業員のプライバシー侵害になりませんか？
撮影目的の事前告知、労使での合意形成、映像の保存・アクセスのルール化を行えば、適法かつ納得感のある運用が可能である。顔をぼかして状態だけを解析するモデルや、映像を外部に送らないエッジ処理を選ぶことで、プライバシー懸念をさらに軽減できる。「監視」ではなく「危険から守る支援」という位置づけを明確に伝えることが重要である。
Q. 誤検知が多いと現場が混乱しませんか？
誤検知をゼロにはできないため、運用初期に検知条件のチューニングを重点的に行うことが欠かせない。検知項目を欲張らず、最も防ぎたい不安全行動に絞り込むことで誤検知を抑えられる。アラートが「オオカミ少年」化して無視される事態を避けることが、定着の前提条件である。
Q. AIで検知したデータは安全管理にどう活かせますか？
検知ログを蓄積すると、不安全行動が起きやすい時間帯・場所・状況の傾向が見えてくる。このデータをなぜなぜ分析の起点にすれば、人の主観に頼らず客観的に根本原因を特定できる。設備改善の投資判断やヒヤリハット報告の裏付けとしても活用できる。
Q. 中小規模の現場でも導入できますか？
学習済みモデルの汎用化とエッジAIの普及により、導入のハードルは数年前より大きく下がった。カメラ1台・限定エリアからのスモールスタートが可能なため、まず一つの災害類型に絞って試験導入し、効果を確認してから範囲を広げる進め方が現実的である。
まとめ
本記事では、AI画像認識による不安全行動検知の仕組みから、工場・建設現場での活用事例、導入ステップ、原因分析との連携までを解説した。要点を整理する。
- AI画像認識は「予防」の技術: 防犯カメラの「記録」と異なり、事故の前段階にある不安全行動をリアルタイムで検知する
- 検知できる対象は多様: 保護具の着用、危険エリアへの侵入、危険動作、フォークリフト接近など、自社の災害類型に応じて設計する
- 導入は運用設計が鍵: 目的の明確化、PoC、プライバシー配慮、誤検知対策を段階的に進める
- 検知して終わりにしない: 検知データをなぜなぜ分析の起点にし、根本原因に対策を打って初めて再発防止が機能する
製造業の「はさまれ・巻き込まれ」、建設業の「墜落・転落」といった重大災害は、その前段階にある不安全行動を捉えられれば確率を下げられる。AI画像認識は、人の注意力に依存しない「もう一つの目」として、安全管理の有力な武器になる。
ただし、検知はゴールではない。検知された不安全行動を根本原因まで掘り下げ、仕組みを変えることが再発防止の本質である。AI検知ログを起点になぜなぜ分析・対策管理まで一気通貫で運用したい場合は、WhyTrace Plusをぜひお試しいただきたい。
関連サービス
安全管理・不安全行動対策をさらに強化するために、姉妹サービスの記事もあわせてご活用いただきたい。
- KYボードAIの最新比較（AnzenAI）
- 中小建設会社のデジタル安全戦略（AnzenAI）
- ヒヤリハット報告を増やす方法（安全ポスト+）
著者
國分 良太
制御設計エンジニア → AI・IoT・DX推進｜AIコンサルタント｜東京の製造業メーカー開発部門
製造業の現場で設備設計・改善プロジェクト・品質向上施策に従事。なぜなぜ分析（RCA）やリスクアセスメントの実務経験をもとに、現場DXを支援するアプリケーションの開発と情報発信に取り組んでいます。AIコンサルタントとして、企業のAI・生成AI活用や現場DX導入の支援も行っています。
※ 本サイトは所属企業とは関係のない個人活動です。記載の見解は筆者個人のものです。