返品ステッカー位置検索システム(PoC)
概要
返品されたステッカーをスマートフォンで撮影すると、回転ラックのどの位置に戻せばよいかを表示する画像検索システムです。
毎朝の返品作業における商品探索の負担を軽減するため、現場の課題発見から技術検証、UI設計、開発まで一貫して担当しました。
PythonとOpenCVを活用し、外部のAI APIに依存しないPoCを構築しました。
項目内容
■ 段階:PoC(概念実証)・動作するプロトタイプ
■ 役割:課題発見、要件整理、技術選定、設計、実装、検証
■ 期間:2026年10月
■ 技術:Python、OpenCV(ORB)、Streamlit、NumPy、Pillow
■ 対象:回転ラック2台・約600格を想定
■ 検証範囲:1面・上下2段・計72格
■ 利用環境:Mac上のローカルサーバー、スマートフォンブラウザ
課題
毎朝、複数名のスタッフが返品された大量のステッカーを、元の陳列位置へ戻す作業を行っていました。
- 探索に時間がかかる: 多数の商品が回転ラックに分散しており、該当商品を探すためにラックを何度も回転させる必要があった。
- 類似商品を見分けにくい: デザインの似たステッカーも多く、返品商品が混在している状態では探索の負担が大きかった。
- 既存システムだけでは解決しにくい: 商品と陳列位置の対応を簡単に検索できる仕組みがなく、新たな管理システムの導入にも制約があった。
そこで、既存のラックを変更せず、写真だけで商品位置を検索できる仕組みを検討しました。
仕組み
- ラック画像の登録: 回転ラックの上段・下段をそれぞれ撮影し、6列×6行の固定グリッドに分割。各格位に位置IDを付与する。
- ステッカーの撮影: スマートフォンから返品商品を撮影、または画像をアップロードする。
- 画像の前処理: 共通のブランドラベル領域を検出し、画像特徴量の抽出対象から除外する。
- 類似画像検索: OpenCVのORBによる局所特徴量を使い、複数の画像領域を比較して候補位置を検索する。
- 位置の表示: ラック番号・面・上下段・列・行を表示し、ラック画像上の該当位置を赤枠で示す。
技術的なアプローチ
1. 小規模なPoCから検証
最初から全商品を登録するのではなく、ラック1面の72格に限定して検証を開始しました。
商品マスタや外部AI APIに依存せず、ラックの実物写真から検索用の画像データを作成する方式を採用しました。
2. ORBによる画像特徴量の照合
OpenCVのORB(Oriented FAST and Rotated BRIEF)を用い、撮影したステッカーと各格位画像の局所特徴を比較しました。
手持ち撮影では背景や角度の影響で認識精度が低下する問題が発生したため、中央・下部など複数の画像領域を自動的に切り出して比較する方式に改善しました。
3. 共通ラベルによる誤認識の改善
検証中、異なる商品でも共通のパッケージラベル部分にORBの特徴点が集中し、誤った商品が高スコアになる問題を発見しました。
特徴点の対応関係を可視化して原因を調査し、ブランドラベル領域を自動検出してORBの特徴抽出から除外するマスク処理を実装しました。
これにより、それまで誤認識していた商品の正しい位置を検索できるようになりました。
4. スマートフォン対応と運用性
StreamlitでWeb UIを開発し、スマートフォンから写真をアップロードして検索できるようにしました。
検索結果には候補画像とラック上の位置を表示。自動認識が難しい場合に備え、手動の画像トリミング機能も用意しました。
また、ラック画像の更新・グリッド分割・位置インデックス再作成をWeb画面から実行できる仕組みも実装しました。
検証結果
72格のテスト環境において、以下の結果を確認しました。
検証項目結果
■ ラックに存在する商品:Top-1正解 12/12
■ ラックに存在しない商品:6/6件が暫定基準以下の低スコア
■ 手持ち写真の検索:6/6件で正しい位置を取得
■ スマートフォン操作:撮影画像のアップロード・検索・位置表示を確認
■ ラック画像の更新:Web画面から更新可能
※小規模なテストセットでの検証結果であり、約600格への拡張時の精度を保証するものではありません。また、未登録商品の判定基準は今後も追加検証が必要です。
現状と次のステップ
現在はラック1面を中心としたPoCを構築し、スマートフォンからの画像検索と位置表示まで確認しています。
今後は、複数面・複数ラックへの拡張、検索速度の最適化、より多様な撮影条件での精度検証を進める予定です。
工夫した点・学び
現場の課題から技術を選ぶ
最初に技術ありきで考えるのではなく、現場の作業負担と既存システムの制約を整理し、最小限の構成で検証できる方法を選びました。
失敗事例を分析し、改善につなげる
認識率が低下した際、単純にモデルを変更するのではなく、画像特徴点を可視化して原因を調査しました。共通ラベルによる誤認識を特定し、特徴量のマスク処理によって改善しました。
実際の作業環境を重視する
机上での画像検索だけでなく、手持ち撮影、スマートフォン操作、ラック配置の更新など、現場で使う際に必要となる条件を検証しました。
小さく検証し、段階的に改善する
72格の小規模な環境で技術的実現性を確認し、認識精度・操作性・メンテナンス性を段階的に改善しました。
本プロジェクトを通じて、Web開発・画像処理の技術だけでなく、現場の課題を発見し、制約に合わせて実装方法を選び、検証を繰り返す重要性を学びました。