過去2年間、私はかなり異なる3つの倉庫でカメラによるパレット計数のパイロットを追ってきたが、浮かび上がったパターンは驚くほど一貫していた。AIビジョンによるパレット計数の精度は、カメラやアルゴリズム単体の性質としてではなく、条件の組み合わせの結果として理解するのが最も適切である。条件が変われば、同じシステムでも異なる答えを返し、時には異なる方向にずれる。デモ動画はほぼ必ず、最も好条件のもとでのシステムを示し、あなたの現場の条件ではないからこそ、これが真剣な評価の出発点になる。

最初の拠点は、一見すると分かりやすい成功例だった。中国東部の消費財を扱うサードパーティ倉庫で、2台の固定カメラが、整然と積まれた完成品のフルパレットの列に向けられていた。パレットは同じ向きを向き、積み高さはほぼ同一で、照明は明るく均一、通路に直射日光は当たっていなかった。計数中フォークリフトは停止し、パレットも動かなかったため、カメラは列を1フレームずつ処理した。システムの合計は手作業の再計数とほぼ完全に一致し、現場責任者は夜間計数の人手を削減できることに当然ながら熱心になった。これがビジョン計数の快適ゾーンである。対象がすべて見え、背景がすっきりし、何も動いていないとき、その作業は写真の中のブロックを数えることに近く、難易度そのものが低い。

2番目の拠点は、同じシステムを使いながら異なる物語を語った。中国北部の自動車部品倉庫では、補修部品エリアに高低さまざまなパレットが混在し、カートンを載せたものもあれば半分しか積まれていないものもあり、柱の陰に一部隠れたパレットや一時保管の空パレットもあった。通路の端のカメラは斜めから撮影したため、遠くのパレット同士が遮り合い、近くのパレットは遠近感で実際より幅広く見えた。2日連続でシステムはそのエリアを少なく数えたが、それはランダムではなく繰り返し起きた。同じ種類の遮蔽が繰り返し生じていたからである。現場は帳簿を合わせるために手作業の再計数を加えた。教訓は直接的で、はっきり述べておく価値がある。遮蔽はたまのノイズではない。構造的なバイアスであり、大きくなれば誤差は真実の周りに均等に散らばるのではなく、一方向、通常は少ない方へ傾く。

3番目の拠点は、その発想が非常に魅力的に聞こえたからこそ、最も示唆に富んでいた。中国南部のEC倉庫は、フォークリフトに載せた移動カメラで、別途の計数パスなしに通常の出荷作業の中で計数を行いたいと考えた。実際には、フォークリフトが動き出すと画像にモーションブラーが生じ、パレットの見かけの大きさがフレームごとに変わり、システムは2つの視点を通る際に同じパレットを2回数えたことさえあった。感度を下げると、今度は同じ走行でパレットを見落とし始めた。チームは方法を変え、撮影前にマークされた位置でフォークリフトを2秒間停止させるようにし、計数ミスは急激に減った。動きへの対応は不可能ではないが、代償がある。作業が遅くなるか、誤差への許容度が上がるかである。

AIビジョンによるパレット計数の精度が通用する場面

3つのパイロットの比較によれば、カメラ計数が通用するのは、いくつかの条件が同時にそろった場合である。パレットの向きと積み方が比較的均一で、視線に構造的な遮蔽がなく、照明が安定し、カメラと対象の間に持続的な相対運動がない場合である。これらの条件のうち2つが同時に悪化すると、結果を単純な保証で説明するのは難しくなる。フルパレットと部分パレットの混在、不規則な積み方、通路端に置かれたばら物は、画像の中で1つのパレットと次のパレットの境界をぼやけさせる。システムが1つのパレットの終わりを確実に判別できなくなると、誤差は単発の見落としではなく、ゾーン全体の傾向になる。

AIビジョンによるパレット計数の精度を左右する4つの変数

影響を4つのグループに分けると整理しやすい。1つ目は遮蔽と積み方である。パレットの約3分の1以上が隠れると、計数は推測に頼ることになり、推測が増えるほど帳簿の数値を信頼できなくなる。2つ目は光である。天井照明による強い反射、夕方の変化する自然光、ドック扉付近の明暗の鋭い境界は、同じパレットを時間帯によって違って見せることがある。3つ目は動きと視点である。移動しながらの撮影や急な撮影角度は遠近誤差を増幅するが、固定位置と短い停止は最も安い修正策である。4つ目は製品タイプの混在である。1枚の画像にフルパレットとばらカートンが混在すると、システムはまず何をパレットとみなすかを決めなければならず、その定義が倉庫の帳簿ルールと合わなければ、安定した計数でも誤った帳簿を生む。

| 現場条件 | カメラ計数をどこまで信頼できるか | より確実なアプローチ | | フルパレット、均一な向き、固定カメラ、安定した光 | 高く、主要なチェックとして有用 | 定期的にサンプルチェックし、例外を調査する | | フルパレットと部分パレットの混在、部分的な遮蔽 | 中程度で、警告シグナルとして適している | システム計数後にフラグの付いたゾーンを全数確認する | | 移動しながらの撮影、変化する光、不規則な積み方 | 低く、系統的なバイアスを起こしやすい | まず撮影方法を修正し、計数だけに頼らない |

役割分担を決める前に自社で試験を行う

これらのパイロットの経験によれば、信頼できる試験は大規模である必要はないが、ルールが必要である。まず、デモ用の最も整った通路だけでなく、実際の作業を代表するエリアを選ぶこと。部分パレットのゾーン、遮蔽のある隅、日中に光が変わる通路を含めること。試験開始前に計数ルールを書き留めること。何を1パレットと数えるか、部分パレットをどう換算するか、空パレットをそもそも数えるかどうかである。カメラと人間の計数者は同じルールを使わなければ、比較は意味をなさない。数日間にわたり、午前と夕方のシフト、異なる光条件をカバーして試験を行い、システム計数、手作業計数、各差異の理由を、単一の合計ギャップではなく、遮蔽・光・動き・製品タイプの混在ごとにグループ化して記録すること。AIビジョンによるパレット計数の精度は、ブレンドした1つの数値ではなく、ゾーン別・原因別に報告すること。最も重要な数値は平均性能ではなく最悪のカテゴリーである。稼働開始後、そのカテゴリーこそがあなたを追いかけてくるからである。

トレンドの観点からは、ビジョン計数のより現実的な役割は、人間のサイクルカウントをそのまま置き換えることではなく、人間の計数者が時間を使う対象を変えることである。整ったゾーンはカメラで頻繁にチェックでき、複雑なゾーンは人間の作業として残り、人々はすべてのパレットを数える作業から、フラグの付いた例外の解決へ移る。メリットは帳簿リスクを管理下に置けることである。デメリットは、ベンダーがめったに強調しないが、省力化の効果がデモで示唆されるより小さいことである。すべての計数人手をなくすことを前提にした事業計画は失望を招く。管理者が見落としがちな直感に反する点もある。カメラの最適な最初の設置場所は、しばしば最も散らかったゾーンではなく最も整ったゾーンである。頻繁なカメラチェックが本当に信頼できるのはそこだけだからである。

さらに先を見ると、注目すべき問いは、認識アルゴリズムが改善するかどうかだけではなく、倉庫がそれに応じて現場を調整するかどうかである。積み高さの標準化、視線の確保、部分パレットの換算ルールの合意である。現場が機械可読になるよう標準化されるほど、カメラ計数が信頼できる範囲は広がる。現場が現状のままであるほど、その上限は明確になる。ベンダーを比較する前に、まず次の問いに正直に答える方が有用かもしれない。カメラがはっきり見えるようにするために、私たちは日々の習慣のどれだけを変えるつもりがあるか。

Dr. Chen(サプライチェーン研究者)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。