手動カウントから出荷エラーゼロへ：組立ラインのためのAIパレット検証

竹中は複数の生産フロアにわたって組立・パレタイズラインを展開する大規模な日本の製造事業者です。製品は精緻な段積み構成でパレットに梱包されてから出荷されます。このプロセスでは各段で正確な数量管理が求められ、正しい数量が倉庫に届き、最終的には顧客に渡ることが保証されています。

作業員は多言語対応で複数の生産ラインに配置されています。シフト交代は頻繁に発生し、作業員は手袋を着用して工場床の環境で作業するため、従来のキーボード入力やパスワード方式のシステムは実用的ではありませんでした。

この課題は新しいものではありませんでしたが、もはや無視できない状況になっていました。生産量の増加とシフトパターンの多様化に伴い、手作業によるカウントミスのコスト（誤出荷、下流の在庫不一致、事後的な品質調査）が蓄積し、顧客の信頼と内部生産性の両面に影響を与え始めていました。

竹中が必要としていたのは、実際の生産フロア環境で機能するシステムでした。手袋をした作業員が素早くログインでき、複数言語に対応し、カウント途中のパレットをシフト間でデータを失うことなく引き継げる、そして何より、誤出荷を事後検出ではなくフロアから出る前に防止できるシステムです。

段ごとの手動カウントは一見簡単に思えますが、実際にはそうではありません。製品は外見が似ており、複数の段にわたって密なグリッド状に配置され、他の作業も担当しながら変動する照明環境の下でカウントされます。疲労、注意散漫、シフトのプレッシャーがすべてエラーを引き起こし、それらのエラーは下流で問題が発生するまで見えません。

作業員がパレットを完了させると、カウントを手動で記録していました。独立した確認手段はなく、画像証拠もなく、誰がいつどのカウントを完了したかを確認する方法もありませんでした。請求書と異なる数量を受け取った顧客や倉庫で不一致が発覚した場合、現場には提示できるものが何もありませんでした。

問題は構造的でもありました。作業員が再配置された場合、カウント途中でパレットを放置しなければならないことがありました。セッション保持機能がないため、次に対応できる作業員がカウントをゼロから再開することになり、二重カウントのリスクや抜け漏れが生じていました。

私たちは生産フロア専用の2アプリiOSシステムを設計・構築しました。アーキテクチャは一つの核心的な制約によって形成されました。作業員が実際に働く方法でシステムが機能しなければならない、という制約です。従来のエンタープライズソフトウェアワークフローが想定する働き方ではありません。

ライブストリーミングによる2タブレット構成

1台のタブレットがパレットステーションに固定され、専用カメラデバイスとして機能します。工場Wi-Fi経由でWebRTCビデオのライブ配信を行います。作業員の手持ちタブレットがこの配信に接続し、リアルタイムでライブ映像を受信します。つまり作業員は自分のデバイスを各段の上にかざす必要がなく、安定した固定カメラの映像を見ながらシステムがカウントを処理します。

Appleデバイスでは、作業員が梱包ガイドの確認、バーコードスキャン、管理者メッセージへの返信などで別画面に移動した場合でも、ライブ映像はピクチャーインピクチャー画面で継続表示されます。カウントのコンテキストが失われることは一切ありません。

AIカウントエンジン（YOLOv8）

各製品は独自に学習したYOLOv8モデルを持ち、実際の環境（変動する照明、金属製コンテナ、部分的な遮蔽、自然な配置のばらつき）で撮影された実際の生産フロア画像から構築されています。作業員が段の写真を撮ると、画像がAIサービスに送信され、検出された各アイテムにバウンディングボックスを付した可視化された結果とカウント数が返されます。

2つのカウントモードに対応しています。手動モードでは作業員が写真を撮りAIがカウントします。自動ビデオモードではシステムがライブカメラ映像を継続的にサンプリングし、期待するカウントが確認されると次の段へ自動で進みます。どちらのモードも同じ監査出力を生成します。

必須リリースゲート

セッション開始時にスキャンしたバーコードと一致するまで、作業員がパレットバーコードを2回目にスキャンするまでパレットをリリースすることはできません。一致しない場合はリリースがブロックされます。このひとつの仕組みは一見シンプルですが、現場で繰り返し発生していた誤パレット・誤場所エラーの最も一般的な原因に対処します。

セッション保持とシフト引き継ぎ

作業員がカウント途中で離れた場合、セッションは自動的に保存されます。どのシフトのどの作業員でも、全段の画像とカウントが保持された状態で、中断した箇所から正確に再開できます。これにより、マルチシフト環境で最も一般的な再起動・二重カウントエラーの原因が排除されました。

梱包ガイド・多言語対応・監査証跡

作業員はカウント画面から直接、製品固有の梱包ガイド（写真、PDF、ステップ別画像シーケンス）にアクセスできます。別途バインダーを参照したり管理者に確認しに行く必要はありません。アプリは7言語（英語、日本語、ヒンディー語、ネパール語、ポルトガル語、タガログ語、ベトナム語）に対応し、作業員のログインプロファイルに基づいて自動的に切り替わります。

すべてのカウント、段の画像、バーコードスキャン、ログインおよびパレットステータスの変更は、タイムスタンプ、デバイスシリアル番号、作業員識別情報、生産ラインとともに記録されます。品質チームは、フロアを通過したすべてのパレットの完全で変更不可能な監査証跡を持つことができます。

プロジェクトは2フェーズで構成されました。第1フェーズではAIカウントモデルの構築とキャリブレーションに注力しました。実際の生産フロアの映像収集、フレームの抽出・重複排除、学習データのアノテーション、製品ごとのYOLOv8モデルの学習を行いました。竹中のフロアチームはデータ収集と検証に直接関与し、モデルが理想化されたサンプルではなく実際の操業条件を反映することを確保しました。

第2フェーズでは完全なアプリケーション層を構築しました。iOSの2タブレットシステム、Django RESTバックエンド、WebRTCストリーミングインフラ、バーコードログイン、リリースゲート、管理者ダッシュボードです。竹中の作業員は全体展開前の構造化パイロットテストに参加し、現場からのフィードバックがバックグラウンドカウント通知の継続表示や梱包ガイド統合などのUX決定を形成しました。

当初明示的に計画されていなかった成果のひとつがデバイスの責任追跡です。すべてのセッションをオペレーターアカウントだけでなく特定のタブレットのシリアル番号に紐付けることで、システムは管理者とITチームが任意のカウントにどの物理デバイスが関与したかを正確に追跡できるようになりました。これはロールアウト直後のコンプライアンスチェック時に重要となり、長期にわたる手動調査を防ぎました。

“

「以前はパレットが現場を離れてからカウントミスに気づいていました。今では毎回、発生する前に検出できています。」

“

「アプリが自動的に自分の言語に切り替わることで、大きな違いが生まれました。もう指示を推測する必要はなく、作業を始める前にすべてが明確になっています。」

コアシステムは竹中の生産ライン全体で稼働中です。エンゲージメント期間中に構築された機能（倉庫不一致アラートや電子メール通知付きの正式なパレット拒否ワークフローを含む）は実装済みで、チームがシステムの範囲を拡大するにつれて有効化できる状態です。製品ラインの拡大に伴う新製品タイプへのモデル再学習が次のステップとして計画されています。

生産フロアでの手作業カウント、トレーサビリティの欠如、発見が遅すぎるエラーなど、貴社が同様の課題に直面している場合、私たちのアプローチと同様のモデルが貴社環境に適用できるかどうかを喜んでご共有いたします。最初のご相談は無料で、義務はありません。