倉庫のCCTV映像を、録画から意思決定に変える

倉庫AIカメラ監視・棚卸しが抱える3つの詰まり

1. 既存CCTVは「録画」しているが「意思決定」に使われていない

多くの倉庫にはCCTVが数十台単位で設置されていますが、映像はレコーダーに録画されるだけで、事故発生後の事後確認にしか使われていません。リアルタイムに人検知・異常検知ができれば、事故が起きる前に止められます。既存CCTV資産を活かせるか、新規専用カメラ投資が必要かで、初期投資が10倍以上変わります。

2. フォークリフトと人の接触——ルールベースでは救えない死角

倉庫構内の重大災害の多くはフォークリフトと人の接触です。通路幅、死角、ブラインドコーナー、繁忙期の人員増——安全対策を人の注意に頼るほど事故は減りません。固定ルール（エリア侵入検知など）では、フォークリフトとの相対位置・速度・荷役状態まで考慮した判定ができず、誤警告と見逃しの両方が発生します。

3. 屋外ヤード・夜間照度・逆光——環境変動に従来AIが追従しない

トレーラーヤード、屋外倉庫、夜間の出荷作業——照度・天候・逆光の変動が大きい環境で、工業部品検査用の CNN モデルは精度が落ちます。赤外カメラとの併用、環境変動への学習データ拡張、マスク処理による領域制限など、屋外向けの設計調整が必要です。

従来構成との違い

Nsight の解決アプローチ

Nsightの倉庫AIソリューションは、既存CCTV資産を最大限活かすことを設計の起点に置きます。新規専用カメラで全置換する方式は初期投資が大きく、既存倉庫では採算が合いません。RTSP/ONVIFで既設CCTVから映像を取得し、エッジGPUで推論、リアルタイム警告とダッシュボードで現場に返す——この3層を最小投資で組めるのがNsightの強みです。屋外・夜間・逆光など環境変動の大きい領域にも、マスク処理と学習データ拡張で対応します。

既存CCTVを活用した低コスト導入

新しいカメラを設置せず、既存のCCTV映像をAIで解析する構成を推奨します。RTSP/ONVIF経由で映像を取得し、エッジAIまたはクラウドで解析します。RTSP非対応の古いアナログCCTVの場合は、エンコーダ追加で対応可能です。倉庫全体を一気に対応するのではなく、1エリア（フォークリフト頻出通路、バース前、ピッキングエリアなど）から段階導入できます。

リアルタイム警告の現場への返し方

人検知・異常検知はリアルタイムで現場に警告を返します。通知手段は現場運用に合わせて選択：スピーカー音声、回転灯、モニタ表示、監督者のモバイル通知、Slack/Teams連携、警備室モニタ。PoC段階で通知手段を個別設計します。「AIが検知した」で終わらず、「現場が即動ける」形にするのが核心です。

屋外・夜間・逆光への対応

屋外ヤード、夜間出荷作業、逆光のあるバースなど、環境変動の大きい領域は、マスク処理で対象エリアを限定し、環境ごとの学習データ拡張で対応します。赤外カメラとの併用、照度変動への学習、天候マスクなどの手法を組み合わせます。屋内の安定照度環境と同精度は難しいが、事故予防レベルの検知は十分実用域です。

精度を担保するための条件

精度が出やすい条件

• 既存CCTVがRTSP/ONVIF対応（2010年代以降の多くのIPカメラ）
• 監視対象エリアが明確（通路・バース・ピッキングエリア等）
• 屋内で照明が常時確保されている
• ネットワーク帯域がエッジまたはクラウド連携に十分
• 監督者/警備のエスカレーション体制が既にある

難易度が上がる条件と対応策

• 屋外で天候変動が激しい（マスク処理+学習データ拡張で対応）
• 極端な逆光・夜間低照度（赤外カメラ併用で対応）
• CCTV画角が極端に広い（ROI分割で対応）
• 人・フォークリフトの重なり（3D推定+複数カメラで対応）
• 古いアナログCCTV（エンコーダ追加で対応）

従来構成との費用構造比較

参考にできる導入事例・関連情報

CASE STUDY

フォークリフト人検知・倉庫構内の安全管理

倉庫構内のフォークリフトと人の接触事故リスクをAIカメラで予防した事例。既存CCTVのRTSP映像をエッジAIで処理し、リアルタイム警告でオペレーターに返す構成の導入実績です。

導入までの4ステップ

倉庫は規模とエリア数で構成が大きく変わるため、1エリアからのスモールスタートを推奨します。既存CCTVのRTSP/ONVIF対応状況を先に確認します。

Nsightのサービス詳細