去年の十一月のある晩の8:40、私たちの28メートルのコンベアが止まりました。大きすぎる段ボール箱が合流点に横向きで入ってきて、後ろの箱が三層に積み重なり、ラインがすでに詰まっていることに誰も気づきませんでした。四十七分間の停止、180件以上の注文の滞留、そして深夜を過ぎても鳴り続けるカスタマーサービスの電話。このAIビジョンによるコンベア詰まり検知の倉庫の話は、そこから始まります。そんなお金も、そんな停止も許容できない小さな倉庫の話です。
私たちは3,000平方メートルの倉庫を運営し、ピッキングと梱包で十四人が働き、メインコンベア一本とフィーダー二本があります。長年、詰まりへの備えは人の目とフォトアイでした。フォトアイについて私がついに理解したのは、こうです。「この場所はすでにふさがっている」としか教えてくれないのです。どれほどひどいのか、どこから始まったのかは教えてくれません。アラームが鳴る頃には、箱はすでに積み重なっています。AIビジョンによるコンベア詰まり検知は逆の働きをします。箱が傾いているか、混み合っているか、あるいは単に動いていないかを見守り、詰まりが完全にできる前に叫ぶことができます。その違いは小さく聞こえます。繁忙期には、その違いが一日を救います。
AIビジョンによるコンベア詰まり検知は合流点から始まる
最初のステップで大金を使う勇気はありませんでした。ライン全体をカメラとモデルで覆うのは大規模倉庫のやり方です。私たちは、詰まりが起きやすい場所にだけカメラを置きました。メインラインとフィーダーが合流する合流点と、仕分け出口の直前のカーブです。カメラは合計三台。二台はセキュリティシステムの余りの予備で、一台を新しく買いました。モデルはすべてを認識しようとはしません。見るのは三つだけです。箱が傾いているか、箱が積み重なっているか、箱が数秒間動いていないかです。このリストを短く保ったことで、誤報が大幅に減りました。
それでも試用の最初の週は散々な目に遭いました。午後の日差しが西の窓から差し込み、ベルトに長い影を落としました。システムは影を横向きに倒れた箱と読み違え、ある午後に九回もアラームを上げました。作業員が駆けつけても何もなく、三回目の出動ではもう文句を言っていました。ベンダーのエンジニアと相談し、「連続した数フレームがおかしく見えたときだけアラームを出す」というルールに変え、一日で最も明るい時間帯には別の設定を加えました。誤報は一日約一回まで減りました。この教訓が心に残っています。小規模倉庫では、検知率を自慢する前に誤報を直すことです。作業員がシステムを信じなくなったら、世界一賢いモデルもただの飾りにすぎません。
信者になったきっかけの二つ目の話もあります。十二月のある火曜日の朝、柔らかいポリ袋がカーブで挟まり、半分がベルトの横からはみ出していました。フォトアイは何も言いませんでした。一本の視線しか見ていないからです。カメラは見ていました。袋は五秒間動いておらず、その形はどんどん伸びていました。アラームが鳴り、ラインが止まり、作業員が歩いて行って袋をまっすぐにしました。最初から最後まで二分もかかりませんでした。完全に詰まるまで待っていたら、さらに半時間が消えていたでしょう。その朝のあと、私はこれをまやかしと呼ぶのをやめました。
お金の話:仮定の試算で考える
下の表についてはっきりさせておきます。これは私たちの倉庫の規模をもとに作った仮定の試算例であり、業界の価格表でも、誰かの見積もりでもありません。計算は本物です。自分の数字を当てはめれば、方法はそのまま使えます。
| 項目 | 仮定の例 |
|---|---|
| カメラと設置 | 3か所、合計およそ20,000元 |
| モデルとソフトウェア(年間) | 年間およそ15,000元 |
| 深刻な詰まり一回 | 約40分、約150件の注文に影響 |
| 深刻な詰まりの月間件数 | 繁忙期は約6件、閑散期は約2件 |
| 詰まり一回あたりの人件費と急ぎ対応費 | およそ800元 |
ざっくり計算すると、繁忙期に月に三回の詰まりを防げば、約二時間の停止を節約でき、節約できた人件費と急ぎ注文のコストで、一か月分のソフトウェア料金のほとんどがまかなえます。閑散期は節約は少なくなりますが、システムはそこにあって誰の昼食も奪いません。それが私たちの規模でのAIビジョンによるコンベア詰まり検知の倉庫プロジェクトの要点そのものです。ここであえて逆説的な点を言います。小規模倉庫がAIビジョンを買うとき、買っているのは検知率ではありません。買っているのは停止回数の少なさです。検知率を九十パーセントから九十五パーセントに上げることは、私たちの規模ではほとんど意味がありません。月に二回停止が減ることは大きな意味があります。ベンダーが精度の数字を見せてきたら、次に聞くべき質問はいつもこうです。一日に何回誤報が出るのか、そして誰が対応するのか、と。
発表された研究は有用な参考点を与えてくれます。Amazonの研究チームは、実際の仕分け施設で、513個の手数えした荷物に対して98.05%の精度でスループットを数え、並んだダブルを検知する精度は96.0%だった単一カメラシステムを公開で報告しています。それは彼らの現場と彼らのデータです。私がそれを引用するのは、一点だけをはっきりさせるためです。このアプローチは実験室のデモだけでなく、実際の倉庫で動かされてきた、ということです。あなたの照明、箱の組み合わせ、ベルトの速度は違います。ですから、彼らの精度の数字を自分の倉庫にそのまま当てはめるのは、自分をだますことになります。
AIビジョンによるコンベア詰まり検知でカメラを向ける場所
選定でもう一つ教訓を学びました。最初に誰かが深度センシングの構成を勧めてきました。見積もりを見て、私は首を横に振りました。良い機材でしたが、私たちの箱はとにかくごちゃまぜです。柔らかい袋、段ボール箱、変わった形のものが一緒に流れてきます。深度データでは、合流点に横向きで入ってきた大きな箱を救うことはできません。私たちのルールはこうなりました。まず流れを見て、次に形を見る。流れとは、箱が動いているかどうか、どれほど速く動いているかです。形とは、傾いているか積み重なっているかです。普通のカメラと普通のモデルで、両方できます。最も高価な選択肢は必要ありません。
メンテナンスにも痛い目を見ました。一台のカメラが仕分け出口の真上にあり、二か月以内にレンズにほこりが付きました。画像がぼやけて、誤報が跳ね上がりました。今ではレンズを拭くことが週次の設備チェックリストに入っています。コンベアの注油と同じ日で、十分の作業です。夜勤では別の問題が出ました。夜は照明の半分が消え、ベルトの一区間が暗くなり、モデルはそこでずっとためらっていました。照明を足したり、モデルを変えたりはしませんでした。その区間のしきい値をゆるめただけです。午前3時に人を起こすより、わずかな傾きを一つ見逃す方を選びました。トレードオフとはそういうものです。昼は敏感に、夜は静かに。一つのモデルが両方を兼ねることはできません。
他の小規模倉庫への私のアドバイスは一文です。知能の話から始めるのではなく、ラインが最も詰まる三か所の話から始めてください。その場所を見つけ、そこにカメラを向け、実際に痛い数少ない故障だけを認識するようモデルに教えれば、お金は大事なところに落ちます。場所を間違え、カメラをずらりと並べ、モデルに十二のことを教えれば、アラームは詰まりよりも人をいら立たせます。作業員は電源を切り、使ったお金はすべて水の泡になります。小規模倉庫には小規模倉庫なりの生き残り方があります。大規模倉庫はライン全体の知能の話をします。私たちは、最も痛い一か所を押さえる話をします。コンベア一本、カメラ三台、二か所。そして何をどこに置くか決める前に、まず二週間ノートを持ってください。すべての詰まりについて、時間、場所、箱の種類を記録します。そのノートは、どんなベンダーの提案書よりも価値があります。
Xiao Ma(小規模倉庫のオーナー)著 英語版からの翻訳。内容に相違がある場合は英語版を優先します。







