物流現場の文字認識は従来OCRでは限界がある。手書き・非定型ラベル・ピンボケ——例外処理が人手に頼る構造を、VLA（Vision-Language-Action）とラインカメラ×液体レンズの組み合わせで変えていく方向性を、Nsightは自社開発を進めながら検証しています。
物流現場の荷物の15〜30%は、バーコードだけでは処理が完結しません。この例外処理が人手のボトルネックとなり、仕分け速度の上限を決めています。
バーコードで完結しないケースは多岐にわたります。海外から届く荷物のラベルはフォーマットがバラバラです。手書きの送り状が貼られた荷物もあります。バーコードが汚損・破損して読めない荷物もあります。こうした「例外」が全体の15〜30%を占め、人手による目視確認→手入力→仕分け指示のフローが発生します。
この例外処理1件あたりの作業時間は30〜60秒。1日1万個の物流センターなら、1,500〜3,000個が例外処理の対象となり、延べ12〜50時間の人手が毎日消費されています。繁忙期にはさらに悪化し、仕分けラインのスループットを大幅に低下させます。
従来のOCRはルールベースの画像処理システムです。文字の形をパターンマッチングで認識し、あらかじめ登録されたテンプレートに照合して結果を返します。大手画像処理システムメーカーが提供するOCR機能も、基本的にはこのアプローチです。
ルールベースOCRは「決まったフォーマットの、きれいに印刷された文字」を読むことには長けています。定型の送り状、固定位置のバーコード横テキスト、統一フォントの製品ラベル——こうした「お行儀の良い」文字は高精度で読み取れます。
| 場面 | 原因 | ルールベースOCRの対応 |
|---|---|---|
| 手書き文字 | 書体・サイズ・筆圧がバラバラ | 認識率が大幅低下（50%以下） |
| 非定型ラベル | 海外荷物のフォーマットが不統一 | テンプレート未登録で読み取り不可 |
| ピンボケ・汚損 | コンベア上の振動・汚れ | 前処理で補正しきれない |
| 複数言語混在 | 英語・中国語・日本語が1枚に混在 | 言語ごとの切り替えが必要 |
| フォーマット変更 | 取引先がラベルを変更 | テンプレートの再設定が必要（数日〜数週間） |
従来OCRの本質的な限界
ルールベースOCRは「文字の形」を見ています。しかし物流現場で必要なのは「この荷物はどこに仕分けるべきか」という文脈の理解です。文字の形だけを見るOCRでは、フォーマットが変わるたびにテンプレートの再設定が必要になり、運用コストが膨張し続けます。
VLA（Vision-Language-Action）は、「見る」「理解する」「行動する」の3つを統合したAIアーキテクチャです。VLM（Vision-Language Model）が「画像を見て理解する」技術であるのに対し、VLAはそこに「行動（Action）」を加えたものです。
VLMは外観検査の分野で「良品画像から不良パターンを自動学習し、仮想NG画像を生成する教師役」として活用されています。一方、VLAは認識結果をそのまま後続のアクション（仕分け指示・データ入力・搬送制御）に直接接続できる点がVLMとの決定的な違いです。
VLAは文字の「形」ではなく「文脈」で読みます。送り状全体を画像として取り込み、「賞味期限っぽい場所を探す」「住所欄から配送先を推定する」「荷物の種類から仕分け先を判断する」——こうした人間が無意識に行っている文脈理解を、AIが再現します。
| 項目 | VLM | VLA |
|---|---|---|
| 基本機能 | 画像を見て理解する | 画像を見て理解し、行動する |
| 出力 | 認識結果（テキスト・判定） | 認識結果＋アクション指示 |
| 主な用途 | 外観検査のNG画像生成（教師役） | 物流仕分け・搬送制御・データ入力 |
| 後工程との接続 | 別途システム連携が必要 | 指示案として接続。設備の自動実行は安全設計を確認しながら段階的に |
| 本番稼働 | CNNが検査を実行 | VLA自体が認識＋判断を実行 |
まずはPOCからスタートしませんか？
無料POC相談を依頼する →VLAの認識精度はソフトウェアだけでは決まりません。コンベア上を秒速2mで流れる荷物を、高さ150〜800mmの変動があるなかでブレなく撮影する——このハードウェアの品質がVLAの実力を左右します。
物流の撮影にはエリアカメラ（通常のカメラ）ではなくラインカメラが適しています。ラインカメラは1ライン（1行）ずつ撮影し、コンベアの搬送速度と同期して画像を合成します。エリアカメラのようなシャッタータイミングの問題がなく、長尺の荷物でもパノラマ的に全面を撮影できます。
解像度もエリアカメラより高い選択肢があり、8K〜16Kラインカメラであれば、荷物全面の文字を1回のスキャンで読み取れます。バーコード・テキスト・手書きメモが混在する荷物でも、1枚の高解像度画像としてVLAに入力できます。
液体レンズは電圧制御でレンズの曲率を変える技術です。機械式のオートフォーカスでは「モーターでレンズを動かす」ため、フォーカス速度に限界があり、振動で故障するリスクもあります。液体レンズは可動部がゼロです。
荷物の高さが150mmの封筒から800mmの大型段ボールまで変動しても、液体レンズは電圧変化だけでミリ秒単位のフォーカス追従を実現します。可動部がないため、65°Cの高温環境でも24時間連続稼働が可能。粉塵や振動が多い物流倉庫でも、メンテナンスフリーで安定動作します。
Nsightの基幹技術として自社開発を推進
Nsightはラインカメラと液体レンズを組み合わせた物流向け撮影ユニットを、基幹技術として自社開発を進めています。市販のカメラモジュールでは実現しにくい「高速搬送×高さ変動×高解像度」の両立を、ハードウェアレベルから設計することで解決を目指しています。VLAのソフトウェアとハードウェアを一体で開発することで、現場の要件に合わせた認識精度を追求しています。
| 項目 | 従来OCRシステム | VLA＋ラインカメラ |
|---|---|---|
| 導入コスト | 1,500〜4,000万円 | 500〜1,500万円が目安（構成・規模により変動） |
| テンプレート登録 | フォーマットごとに必要 | 原則不要だが、対象ラベルでの事前検証を推奨 |
| 手書き対応 | 認識率が大きく低下する傾向 | 対応の幅は広がるが、精度は筆跡・画質に依存し要検証 |
| 多言語対応 | 言語ごとの設定が必要 | 複数言語混在への対応がしやすくなる傾向 |
| フォーマット変更時 | 再設定（数日〜数週間） | 追加設定の負担を抑えられる可能性（要検証） |
| 例外処理の人手 | 15〜30%残存 | 削減を狙える設計。削減幅は対象・運用により異なる |
| 投資回収期間 | 18〜36ヶ月が目安 | 処理量・例外率・現状の人件費により試算が必要 |
| 環境耐性 | 空調管理が推奨 | 高温・粉塵環境での稼働を想定した設計 |
※ 記載の金額・料金は記事執筆時点の参考値です。最新情報は各メーカー・ベンダーの公式サイトをご確認ください。
例外処理コストの削減効果は、1日あたりの処理個数、例外処理の発生率、1件あたりの人件費込みコストによって大きく変わります。物流センターごとにこれらの前提が異なるため、一般化した削減額を示すことはできません。導入を検討する際は、自社の現状データをもとに試算し、投資回収の見通しを個別に確認することをおすすめします。
Nsightでは、POCで実際の荷物画像を使って認識精度を検証したうえで、自社の処理量・人件費に基づく試算をご提示しています。リスクを抑えながら効果を見極めたい場合は、まずPOCからご相談ください。
※ 記載の金額・料金は記事執筆時点の参考値です。最新情報は各メーカー・ベンダーの公式サイトをご確認ください。
物流現場の文字認識は「文字の形を読む」従来OCRから「文脈で理解して行動する」VLAへの転換期にあります。VLAはテンプレート登録の負担を抑えながら非定型ラベル・手書き・多言語への対応の幅を広げ、認識結果を後続システムへの指示案として接続します。設備の自動実行は、安全設計を確認しながら段階的に広げるのが前提です。Nsightは、基幹技術として自社開発を進めるラインカメラ×液体レンズのハードウェアと組み合わせ、コスト・削減幅・投資回収の見通しを自社の処理量に基づいて試算しています。まずはPOCで、自社の荷物・自社のデータでの効果を検証してみてください。
VLM（Vision-Language Model）は画像を見て理解する技術です。VLA（Vision-Language-Action）はVLMに「行動（Action）」を加えたもので、認識結果を仕分け・搬送・データ入力などの後続アクションへの指示案として接続できます。設備を人の確認なしに直接動かす構成は安全設計が伴って初めて成立するため、段階的に自動化範囲を広げる設計を推奨しています。物流現場では「読む」だけでなく「読んで仕分ける」までが必要なため、VLAの方向性が適しています。
POC（概念実証）から段階的に移行できます。既存のOCRシステムと並行稼働しながら、VLAの認識精度を検証し、精度が確認できた工程から順次切り替えるアプローチが一般的です。POC期間は通常2〜4週間ですが、対象や検証範囲によって変わります。
液体レンズは電圧制御でレンズの曲率を変える技術です。可動部がないため振動や粉塵が多い物流現場でも安定動作しやすいという特性があります。荷物の高さが150〜800mmまで変動する場合でも、電圧変化によるフォーカス追従で、コンベア上を流れる荷物を止めずに読み取れる可能性があります。
従来の大型OCRシステムと比較して導入コストを抑えられる可能性がありますが、構成・規模により変動します。投資回収期間も、処理量・例外処理の発生率・現状の人件費によって大きく変わるため、一律の期間をお伝えすることはできません。POCで自社のデータを使って精度を確認したうえで、自社の条件に基づく試算をご提示しています。