AI 営農・品質改善ご提案／ 2026

既存DXを活かす、ほうれん草の
圃場リスク予防 AI

記録を「次のアクション」に変える AI で、
農場から工場までの品質を一本につなぐ。

ご提案：LocalDive

御中：石原フーズ株式会社

現状理解

御社はすでに、農場 DX を高い水準で作り込んでいます

270ha ／約740圃場

宮崎・都城を中心とした自営圃場を一括管理

圃場QR 730カ所超

二次元コードで作業記録・畑の状況をリアルタイム社内共有

DXの9割以上を内製

自社開発アプリでペーパーレス化を 15年以上推進

TOMRA AI選別＋大型IQF

ロボットトラクター・ドローンまで設備導入済み

JGAP認証／従業員115名

残留農薬・トレーサビリティ体制を確立

栽培〜加工〜出荷まで自社一括

工場から30分圏内の多数圃場で原料を生産

だから私たちは、「置き換える」のではなく「つなぐ・拡張する」ご提案をします。

課題仮説

足りないのは「記録」ではなく、記録を "次の動き" に変える仕組み

すでにある（記録・可視化）

営農アプリへの作業・写真入力
圃場QRによるトレーサビリティ
病害虫・生育・発芽率の記録
工場のTOMRA選別データ取得

これから（次アクションへの変換）

翌日の巡回ルート・優先度に変換
防除の要否・タイミング判断に変換
収穫順・工場搬入順の判断に変換
工場の歩留まり改善へフィードバック

御社は「記録の重要性」をすでに理解されている。次の論点は、貯まった情報を翌日の現場行動にどう変換するか。

提案コンセプト

写真・音声・気象・圃場履歴・工場選別データを、 AI でつなぐ

現場の写真

現場の音声

気象データ

圃場履歴

工場選別データ

AI 構造化・推論エンジン

予防／振り分け／次アクション化

診断の "代行" ではなく、
予防・振り分け・見回りに徹する

巡回指示・優先度

防除の要否判断

収穫順・搬入順

収穫量の予測

工場稼働の最適化

提案① | 本命

圃場リスク予防 AI（病害虫・雑草・生育異常）

「病害虫が出てから対応」ではなく、「出る前に見に行く」へ。

多数分散圃場の巡回優先度を
自動で作れる

フィールドマンの経験を
若手へ引き継げる

見落とし・対応遅れによる被害を
減らせる

提案①の中身

現場のひと言・一枚の写真を、AI が構造化して振り分ける

入力	AIが自動で処理する内容
音声	圃場ID・作物・症状・場所・重症度・作業内容に分解
写真	葉の異常・雑草混入・発芽不良・生育ムラ・土壌表面をタグ化
GPS / QR	圃場マップに自動で紐づけ
気象	降雨・湿度・気温・日射などから発生リスクを補正
過去履歴	同一圃場の過去発生・前作・土壌分析・農薬履歴と照合

AIの出力（5分類）

要巡回

要写真追加

要担当者確認

防除検討

工場側へ注意

肝は「AIに最終診断させない」こと。 AIが作った記録を、担当者がワンタップで修正 → そのまま既存営農アプリ／DBへ戻す（CSV・API連携）。

提案①の出口

圃場ごとのリスクを色で可視化し、翌朝の巡回優先度に変える

圃場リスクマップ

圃場A

圃場B

圃場C

圃場D

圃場E

圃場F

圃場G

圃場H

圃場I

圃場J

圃場K

圃場L

圃場M

圃場N

圃場O

リスクの4色

赤

すぐ巡回

黄

数日後に確認・写真を追加

青

通常（経過観察）

灰

情報不足（要メモ）

朝の巡回指示（自動生成）

本日見るべき圃場

圃場A・E・L（赤）を最優先

見るべき症状

葉の黄化・斑点／雑草混入

撮るべき写真

南側の畝を各圃場3枚

担当者

フィールドマン 2名を割当

提案② | 差別化

TOMRA選別データを、圃場改善に戻す AI

TOMRA 5C のほうれん草ラインは時間あたり 3.6トン（導入前比約2倍）。選別ビッグデータを生産現場へフィードバックできる可能性が示されています。

工場側で取れるデータ	AIが返す圃場側へのフィードバック
雑草混入が多いロット	該当圃場の除草タイミング・巡回頻度を見直す
変色が多いロット	収穫タイミング・気象・搬入時間・ブランチング条件を確認
異物除去率が高いロット	圃場・収穫機・運搬容器・土壌状態を点検
歩留まりが悪いロット	生育ムラ・収穫適期・前処理条件を分析

「記録をきれいにするAI」ではなく、工場の歩留まり＝利益に直結する AI になります。

提案③ | 中長期

収穫時期・収量・工場稼働を予測する AI

使うデータと用途

播種日・品種・圃場 ID

生育ステージ予測

気象データ

生育進行・病害虫リスク補正

生育写真

実際の生育量・ムラ補正

過去収量

圃場ごとの期待収量モデル

工場稼働予定

収穫順・搬入順の最適化

TOMRA/選別結果

実収量・品質の学習データ

現実的な作り方（4ステップ）

1

既存の圃場・播種・作業・収穫データを整理

2

外部APIで初期予測

3

石原フーズの実績データで補正

4

工場稼働・収穫順・巡回順に落とし込む

技術的な前提と設計

病害診断は "段階的に育てる" — 最初から病名は断定しない

病虫害AI画像診断APIは現時点で12作目が対象（トマト、イチゴ等）。ホウレンソウは現時点で対象外。だから初期から「高精度診断」と言い切らない設計にします。

L1

異常あり／なしの検知

L2

症状を分類（黄化・斑点・萎れ・食害・雑草・発芽不良・生育ムラ）

L3

圃場・気象・過去履歴からリスクをスコア化

L4

担当者へ「要確認」として振り分け

L5

確認結果を教師データ化し、独自モデルを育成

初期の打ち出しは

「ほうれん草の異常兆候・雑草・
生育ムラを早く拾うAI」

初回 PoC

6〜8週間で "見えるデモ" をつくる

PoC名：石原フーズ圃場リスク予防 AI PoC

対象

ほうれん草中心
現場ユーザー約10名
20〜50圃場から開始
既存連携は CSV・API・簡易DB で十分
病害虫だけでなく雑草・発芽不良・生育ムラ・収穫適期も対象

作る機能

QR読取後の音声・写真入力
作業/生育/病害虫・雑草メモへ自動振り分け
農薬・肥料／工場注意の仕分け
圃場リスクマップ（赤・黄・青・灰）
朝の巡回指示／週次レポート

成功指標

音声の構造化精度 80%以上
記録入力時間 30〜50%削減
要確認圃場を納得ある精度で抽出
現場定着 10人中7人以上
次フェーズ（工場/TOMRA連携）の判断

技術構成イメージ

内製文化を尊重し、API部品・共同開発の形で入る

現場スマホ

圃場QR読取

音声・写真入力

AI構造化エンジン

既存営農アプリ／DBへ連携

圃場リスクマップ

巡回指示・週次レポート

将来：TOMRA／工場選別データと接続

最小限のDBテーブル

field_master

work_log

observation_log

spray_fertilizer_log

harvest_log

factory_quality_log

alert_log

AIの使い分け（コスト設計）

日常の文字起こし・分類

軽量モデルで安く回す

写真の異常チェック

画像対応モデル

病害虫の重要案件

高性能モデル＋人間確認

月次の分析・改善提案

高性能モデルでまとめる

提案パッケージ

小さく入り、段階的に拡張する 4つの選択肢

A

入口

音声・写真記録AI

現場の入力負担を削減。実習生・新任でも記録しやすい。既存アプリは置き換えない。

B

自社開発のプライドを邪魔しない、関わり方

私たちがやること

一般的な営農記録アプリは提案しない
既存システムは置き換えず、QR後の音声・写真入力／自動振り分け／リスクマップだけ小さく実証
記録を、巡回・防除・収穫順・工場搬入の判断に変換する部分を一緒に作る
経営効果（歩留まり・省人化・安定供給）から入る

あえてやらない提案

汎用の営農記録アプリ販売／すでに独自アプリがある

「AIが病名を断定」／専用学習データが必要・初期断定は危険

既存システムの置き換え／内製文化と衝突する

写真診断だけ／レイミー系と差別化しづらい

チャットボットだけ／現場・工場データ未接続で価値が薄い

補助金ありき／自力投資できる企業、経営効果から

次のステップ

まず6点をヒアリングし、PoCの範囲を確定します

1

既存営農アプリの入力範囲（作業・農薬・肥料・生育・写真・収穫・工場連絡）

2

写真記録の活用度（撮るだけ？圃場ID・症状と紐づく？）

3

病害虫・雑草・発芽不良・生育ムラで最も困っているもの

4

TOMRA／工場選別結果はロット・圃場に紐づいて残るか

5

収穫順・工場搬入順の決め方（経験・ボード・Excel・口頭）

6

若手に引き継ぎたい判断（暗黙知＝最もAI化しやすい）

最終おすすめ

既存営農アプリを活かした、
ほうれん草圃場の予防 AI・巡回指示 AI

音声・写真で現場メモを残し、病害虫・雑草・生育ムラ・発芽不良をAIが自動分類。

圃場ごとのリスクを色でマップ化し、翌日の巡回優先度と確認ポイントを提示。

将来はTOMRA選別データ・歩留まり・収穫予測と連携し、農場から工場までの品質改善AIへ拡張。

LocalDive

既存DXを活かす、ほうれん草の圃場リスク予防 AI