物流におけるコンピュータービジョンで、日本の大手物流企業のトラック待機時間を30%短縮した方法

導入事例

物流分野のコンピュータービジョンで日本の大手物流企業のトラック待機時間を30%削減した方法

アジア市場


 

 

 

 

  • チーム規模:中核メンバー4名、納品が集中する段階では専門スタッフ10名まで拡大
  • 開発期間:2年


 

 

Explore more case study

 

背景

日本の国土交通省(MLIT)が引用する推計によると、対策を講じなければ、輸送能力は2024年に約14%、2030年には約34%不足する可能性があります。国土交通省は、トラック輸送が日本の経済と日常生活を支える重要な産業であるとする一方、近年はドライバー不足がますます深刻化していると指摘しています。

政策環境も急速に変化しています。MLITの物流効率化ポータルによると、2026年度以降、一定の荷主やトラック運送関連事業者には、中長期計画の策定、定期報告、その他の法令遵守措置など、新たな義務が課されます。これらは、物流効率を向上させ、待機時間や荷役時間などのボトルネックを削減するためのものです。 

日本に本社を置く大手物流ソリューション企業であるお客様にとって、こうした全国的な課題は、現場の具体的なボトルネックとして表れていました。倉庫や顧客拠点での手作業によるパレットの計数と在庫照合に、トラックとドライバーの時間が過度に費やされていたのです。

GEMはお客様と協力し、物流にコンピュータービジョンを適用して、AIを活用したパレット検出ソリューションを構築しました。このソリューションは、監査可能性と業務管理を維持しながら、時間のかかる手作業のプロセスを、1秒で完了するモバイルワークフローへと転換できるようにするものです。

Challenges

課題

手作業で時間がかかり、ミスが発生しやすいパレット計数業務

  • 倉庫および出荷担当者は、積み重ねられたパレットを1枚ずつ手作業で数えており、1シフトで数十台のトレーラーを扱うことも珍しくありませんでした。
  • パレットは見た目が似ており、異なる高さに積まれることが多く、隣接するパレットの山で一部が隠れるため、数え間違いの発生率が高まっていました。
  • 倉庫内の照明や見る角度が一定でないことも、計数精度をさらに低下させていました。
  • 内部監査や顧客との照合手続きに対応するため、手作業での再計数が必要でした。
  • ドライバー、倉庫担当者、顧客の間で在庫数量をめぐる紛争が生じ、各停車地点でのトラックの滞在時間が長引いていました。

日本のドライバー規制による業務上の負担

  • 新たな時間外労働の上限規制により、物流事業者はドライバーの運転以外の時間を大幅に削減する必要がありました。
  • 慢性的なドライバー不足により、人員の増加ではなく生産性の向上が求められていました。
  • どのようなソリューションも、数百の拠点に新たなハードウェアを設置することなく、ドライバーや倉庫担当者がすでに携帯しているモバイル端末上で動作する必要がありました。
  • ソリューションには、管理された環境だけでなく、オフラインや実際の倉庫環境でも安定して動作することが求められました。
  • 顧客のSLAおよび社内のコンプライアンス要件を満たすには、監査に対応できる水準の記録管理が不可欠でした。
track
image truck driver holding cell phone front line trucks generative ai
data stream illusion trucks loaded with data (2)
engineer staff male warehouse worker hard hat working walking through logistics center warehouse factory construction site logistics architect forklife driver man builder indoors background

ソリューション 

GEMは、パレット計数を「写真を撮る」「検証済みの数量を即座に受け取る」という2段階のユーザー操作に変える、モバイルファーストのAI搭載パレット検出システムを提供しました。これにより、物流分野のコンピュータービジョンは構想にとどまらず、実際の業務で直接活用されるようになりました。

ワークストリーム1:パレット検出用コンピュータービジョンモデル

GEMのAIチームは、YOLOv5アーキテクチャを基盤とする独自の物体検出モデルを学習させ、顧客の配送ネットワーク全体で見られるさまざまな積載高さ、パレットの色、照明条件、遮蔽状況を網羅するよう厳選した倉庫内パレット画像のデータセットでファインチューニングを行いました。

このモデルは、一般的なAndroidスマートフォン上でオンデバイス実行できる軽量性を保ちながら、画像1枚あたり約1秒、1秒未満の水準での推論を実現しました。これにより、物流分野のコンピュータービジョンを、管理されたデモ環境だけでなく、日々の倉庫業務の環境でも実用的に活用できるようになりました。

ワークストリーム2:Androidモバイルアプリケーション

GEMは、倉庫および出荷担当者向けに最適化した、本番運用に対応するAndroidアプリケーションを開発しました。ユーザー操作は、意図的に2段階まで簡素化しました。

  • ユーザーが端末を積み重ねられたパレットに向け、写真を撮影します。
  • アプリケーションがパレットの数量を返し、作業者が確認できるようバウンディングボックスで可視化します。

このアプリはオフラインファーストの動作に対応しているため、接続が限られる倉庫内のエリアでも計数を行い、端末がオンラインに戻った時点で同期できます。このモバイルファーストのアプローチにより、すでに現場業務を担っているチームが物流分野のコンピュータービジョンを活用できるようになりました。

ワークストリーム3:クラウドバックエンドと監査リポジトリ

GEMは、すべてのパレット検出イベントの正式な記録システムとして機能するよう、AWS上にデプロイしたDjangoベースのバックエンドを実装しました。 元画像、モデルが出力したバウンディングボックス、作業者、タイムスタンプ、場所を含むすべての計数記録が自動的に保存され、照合、顧客との紛争解決、在庫照合に利用できる、全面的に検索可能な監査証跡が作成されます。

運用管理者は、Webダッシュボードを通じて集計された数量と傾向を確認できます。つまり、物流におけるコンピュータービジョンに監査可能性を組み合わせることで、スピードだけでなく、説明責任とトレーサビリティの面でも役立つソリューションを実現しました。

技術スタック

  • Android(モバイルアプリケーション)
  • ディープラーニング(コンピュータービジョン)
  • PythonおよびYOLOv5(物体検出モデル)
  • Django(バックエンドサービスおよびREST API)
  • AWS(クラウドホスティング、ストレージ、モデルサービング)

成果物 

  • 倉庫、荷積み・荷降ろし場、顧客拠点で、1回の撮影によるパレット計数を可能にする、本番運用に対応したAndroidアプリケーションを提供しました。
  • 一般的なモバイル端末で画像1枚あたり約1秒の推論を実現する、カスタムYOLOv5検出モデルを学習・デプロイしました。
  • 将来の監査と照合に備え、すべての検出イベント、元画像、バウンディングボックスの出力を自動保存するDjangoベースのバックエンドをAWS上に構築しました。
  • 倉庫・配車担当者が事前研修なしで利用できる、2ステップのユーザーワークフローを実装しました。
  • 通信環境が限られる倉庫エリア向けに、自動同期機能を備えたオフラインファーストの運用を可能にしました。
  • 運用管理者が日々の計数結果と過去の傾向を確認できる、一元化された在庫ダッシュボードを構築しました。
  • 顧客との紛争解決と社内のコンプライアンス審査を支援する、検索可能な監査リポジトリを構築しました。

導入効果 

業務効率 

  • 倉庫および顧客拠点でのトラック待機時間の削減率: 30%。
  • パレット計数時間を、手作業で数分かかっていた状態から約 画像1枚あたり1秒に短縮しました。
  • 検証可能な写真証拠により、手作業での再計数と誤計数をめぐる紛争を事実上解消しました。
  • 顧客の配送ネットワーク全体で、在庫照合のワークフローが標準化され、一貫した運用が実現しました。

ビジネス変革

  • ドライバーが運転以外の業務に費やす時間を大幅に削減できたことで、顧客は日本のドライバーの時間外労働規制による影響を、それに比例する輸送能力の低下を伴わずに吸収できるようになりました。
  • 倉庫スタッフの生産性が向上し、日本の物流業界が直面する構造的なドライバー不足を部分的に補いました。
  • 自動的に記録される監査証跡により、顧客のコンプライアンス体制が強化され、下流の取引先との商取引上の摩擦が軽減されました。
  • モバイルファーストの導入モデルにより、現場のハードウェアに新たな投資をすることなく、複数の配送拠点へソリューションを展開できました。
  • 顧客は、今後の物流業務全体にわたるコンピュータービジョンの活用に向けて、再利用可能なAI能力とデータ基盤を確立しました。これこそが、物流におけるコンピュータービジョンの長期的な価値です。単一のワークフローにとどまらず、さらなる自動化に向けた拡張可能な基盤となります。


 

 

おわりに

AIを活用したパレット検出システムは、手作業でのパレット集計にかかっていた数分間を、わずか1秒のモバイル操作に置き換えることで、日本が抱える課題に対する実用的かつ拡張可能な対応策をお客様に提供しました。これにより、倉庫での滞留時間を再び配送能力へと転換するとともに、次の物流自動化の波に向けた長期的なAI基盤を構築しました。

AI変革のさらなる成功事例をご覧ください: インテリジェントな荷主・運送会社マッチングプラットフォーム

    Ready to build your next project?

    Our experts will connect with you within 24 hours to discuss your project.

    contact

    Quick contact

      Or reach us at:
      whatsapp
      viber
      kakao
      Line
      0971098183