지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이기백
- 발행연도
- 2021
- 저작권
- 광운대학교 논문은 저작권에 의해 보호받습니다.
이용수10
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 인터넷과 모바일 쇼핑에 대한 소비가 증가하고 상품을 빠르게 배송하는 시스템이 보편화되고 있다. 이러한 수요와 공급 사이에 있는 물류 센터는 이전까지 상품을 단순히 보관하는 창고 역할을 했지만 현재는 입고, 적재 및 보관, 분류, 피킹, 포장, 출고의 과정을 거치는 물류 산업의 핵심적인 거점 및 시설의 역할을 하고 있다. 또한 다양한 작업이 추가된 만큼 효율성과 신속성이 요구된다.
물류 센터의 물류 흐름을 빠르게 만든 원인은 자동화 시스템이 도입된 것과 연관이 있다. 실제로 Amazon을 비롯한 여러 물류 기업들이 구축한 자동화 물류 센터의 수가 크게 증가하는 동안 직원 수의 증가 폭은 감소하고 있으며, 로봇 및 IT 기술 등을 접목한 자동화 시스템은 도입과 동시에 매년 그 수가 큰 폭으로 증가하고 있다.
본 논문은 물류 센터의 자동화 시스템 중 분류 자동화에 초점이 맞춰져 있다. 분류 자동화 과정은 카메라를 통해 물류 상자에 담긴 다양한 상품들의 위치와 클래스를 구별해 내어 피킹 시스템에 전달해 주는 물류 자동화 시스템의 필수적인 과정이다.
분류 자동화를 위해 이미지 분류 분야에서 많은 연구가 진행돼 왔다. 그러나 기존의 이미지 분류 방식은 상품의 많은 항목들을 포함하기 위해 대규모 데이터 축적에 초점을 맞추어야 했고, 새로운 상품이 추가될 때마다 새로운 항목을 포함하기 위해 많은 데이터를 모으고 다시 학습해야 하는 비효율적인 문제를 가지고 있다.
이러한 문제를 해결하기 위하여 본 논문은 두 가지 딥 러닝 모델을 결합하는 방법을 통해 문제를 해결한다. 실시간으로 모든 객체에 대해 경계 상자(Bounding Box)를 예측하는 1) 클래스를 구분하지 않는 객체 탐지(Class-Agonistic Object Detection) 모델과 경계 상자가 추정된 객체의 클래스를 결정하는 2) 클래스 검색(Class Retrieval) 모델을 결합한 것이다.
실험 결과는 제안된 방법이 학습한 객체와 학습하지 않은 객체 모두를 성공적으로 탐지하고 항목별로 분류하는 것을 보여준다. 15개의 학습한 객체에 대한 최종 분류 정확도는 98.0%, 학습하지 않은 나머지 30개의 새로운 객체의 분류 정확도는 평균 87.7%이다.
물류 센터의 물류 흐름을 빠르게 만든 원인은 자동화 시스템이 도입된 것과 연관이 있다. 실제로 Amazon을 비롯한 여러 물류 기업들이 구축한 자동화 물류 센터의 수가 크게 증가하는 동안 직원 수의 증가 폭은 감소하고 있으며, 로봇 및 IT 기술 등을 접목한 자동화 시스템은 도입과 동시에 매년 그 수가 큰 폭으로 증가하고 있다.
본 논문은 물류 센터의 자동화 시스템 중 분류 자동화에 초점이 맞춰져 있다. 분류 자동화 과정은 카메라를 통해 물류 상자에 담긴 다양한 상품들의 위치와 클래스를 구별해 내어 피킹 시스템에 전달해 주는 물류 자동화 시스템의 필수적인 과정이다.
분류 자동화를 위해 이미지 분류 분야에서 많은 연구가 진행돼 왔다. 그러나 기존의 이미지 분류 방식은 상품의 많은 항목들을 포함하기 위해 대규모 데이터 축적에 초점을 맞추어야 했고, 새로운 상품이 추가될 때마다 새로운 항목을 포함하기 위해 많은 데이터를 모으고 다시 학습해야 하는 비효율적인 문제를 가지고 있다.
이러한 문제를 해결하기 위하여 본 논문은 두 가지 딥 러닝 모델을 결합하는 방법을 통해 문제를 해결한다. 실시간으로 모든 객체에 대해 경계 상자(Bounding Box)를 예측하는 1) 클래스를 구분하지 않는 객체 탐지(Class-Agonistic Object Detection) 모델과 경계 상자가 추정된 객체의 클래스를 결정하는 2) 클래스 검색(Class Retrieval) 모델을 결합한 것이다.
실험 결과는 제안된 방법이 학습한 객체와 학습하지 않은 객체 모두를 성공적으로 탐지하고 항목별로 분류하는 것을 보여준다. 15개의 학습한 객체에 대한 최종 분류 정확도는 98.0%, 학습하지 않은 나머지 30개의 새로운 객체의 분류 정확도는 평균 87.7%이다.
목차
제 1 장 서론 11.1 물류 센터를 위한 자동화 시스템의 필요성 11.2 분류 자동화 기술 연구 현황 및 문제점 41.3 본 연구에서 제안하는 방법 6제 2 장 관련 연구 92.1 로봇 피킹을 위한 객체 인식 92.2 객체 탐지 112.3 거리 학습 122.4 이미지 검색 13제 3 장 방법론 153.1 제안된 방법의 파이프라인 구조 153.2 클래스를 구분하지 않는 객체 탐지 모델 173.3 클래스 검색 모델 193.4 반자동 데이터세트 생성 절차 22제 4 장 실험 244.1 데이터세트 구성 244.2 클래스를 구분하지 않는 객체 탐지 모델 294.3 클래스 검색 모델 30제 5 장 결론 32제 6 장 참고문헌 33
최근 본 자료
댓글(0)
0