| SFA / 물류자동화장비와 AI 기술 결합 ‘지능형 물류설비’ 구현 | |||
 
|
|||
|
|||
|
물류자동화장비와 AI 기술 결합 ‘지능형 물류설비’ 구현 NEO-AI 물류프로세스에 적용 ‘정확성·신속성’ 제고  SFA가 딥러닝, 머신러닝 등 다양한 AI 솔루션을 기반으로, 물류자동화장비와의 융합기술을 이용해 분류·피킹·적재의 정확성과 신속성을 높이고 있다.SFA R&D센터 AI 기술담당 김영태 이사는 “다양한 물류장비 영역에 SFA가 개발한 ‘NEO-AI’ 기술을 탑재한 스마트한 첨단 물류시스템 적용을 통해, 최소 인원 운영으로 생산성이 달성될 수 있는 물류센터를 구축하는 것을 목표로 하고 있다”고 지난달 개최된 산업 디지털 전환 컨퍼런스에서 밝혔다. 최근 B2C 이커머스 시장이 확대되면서 소량다품종, 높은 물동량, 배송시간 단축, 무인화 등으로 유통물류가 변화하고 있다. 따라서 SFA는 이같은 트랜드에 대응하기 위해 AI 기반 스마트솔루션으로 ▲무인화 ▲고속화 ▲물류센터 지능화 구현을 위한 기술을 개발하고 있다. 김영태 이사는 “SFA는 국내 최고 수준의 자동화장비와 AI기술을 결합한 장비 스마트화를 통해 장비 부가가치 향상 및 사업의 패러다임을 변화시키는 것을 목표로 하고 있다”고 강조했다. 이에 따라 SFA는 영상·이미지 처리용 머신러닝, 무인 적재 SW, 딥러닝 OCR, 실내 자율주행, AI기반 피킹기술 등의 AI 기술을 연구하고, 이를 딥러닝 적용 비정형 검사, 혼합 파렛타이징 시스템, 제품 자동분류시스템, 자율주행 AGV, 무인자동 피킹시스템 등으로 상용화하고 있다. 특히 SFA 제품에 최적화된 솔루션으로 개발한 NEO-AI를 물류센터 상품입고부터 보관 및 보충, 피킹, 출고 등 전과정에 걸쳐 적용하고 있다. NEO OCR로 이미지 기반 제품 자동식별 가능  영상·이미지 처리 기술 ‘NEO AI Imaging’은 검사장비에 특화된 솔루션으로, 주요 기능은 ▲Segmentation ▲Classification ▲Object Detection으로 구성돼 있다. Segmentation은 불량 영역 형태를 픽셀 단위로 검출할 수 있으며, Classification은 이미지 특성을 기준에 따라 분류하고, Object Detection은 이미지내의 객체를 박스 형태로 검출한다. SFA가 NEO AI Imaging을 2차전지 외관 검사기 양산라인에 적용한 결과, 검출율 98% 이상으로 양산라인 검사 성능이 향상되는 효과가 입증됐다. ‘NEO OCR’은 딥러닝 기반 제품 자동식별 기술로, 물류센터내 제품 분류작업에 활용된다. 바코드 위치가 일정하지 않고 제품 포장에 가려서 자동화가 힘든 경우, 작업자는 핸드형 바코드 인식기를 통해 수동으로 작업할 수밖에 없다. 자동 바코드 시스템을 적용하기 위해서는 제반설치가 복잡해, 시스템 구축 비용이나 시간이 매우 많이 소요되기 때문이다. 그러나 NEO OCR는 기존 수작업으로 진행했던 바코드 리딩 및 수동 입력을 딥러닝 기반 광학문자인식(OCR)를 통해 자동으로 인식하고 라벨링이 가능하도록 한다. 우선 문자를 인식한후 제품 특성을 분류할 수 있는 중요 의미 단어에 가중치를 부여해 제품 분류 DB를 구성한다. 이후 이미지로부터 글자를 찾은후 해당 글자가 무엇인가를 분석하는 딥러닝 모델을 통해, 입력된 이미지로부터 문자 영역을 검출하고 찾은 글자들을 분석해 사람이 이해할 수 있는 언어로 결과를 도출한다. 이를 물류센터내 제품 분류에 적용하면, 카메라를 통해 문자열을 인식하고 상품 Master와 비교해 품목을 인지한다. 이때 다양한 한글 글씨체 및 숫자는 물론, 비정형 형상 물품의 글씨체도 인식하고, 인식한 상품정보를 이용해 출하라벨을 자동부착한다. 이처럼 NEO OCR은 이미지를 통해 상품을 자동인식하기 때문에 바코드가 필요없다. 김영태 이사는 “실제 물류현장에서 NEO OCR로 문자를 인식하다 보면 묶음 포장의 경우 글씨가 안쪽에 있어서 인식할 대상을 찾지 못하거나, 너무 작아서 유의미한 글자를 못찾는 경우도 생긴다”며, “SFA는 알고리즘을 추가 개발하는 방식으로 제품 인식률을 획기적으로 개선해 상용화했다”고 소개했다. 딥러닝 기반 바코드를 인식하는 ‘NEO Barcode’도 개발했다. 상품 표면의 이미지로부터 바코드를 검색한후, 검색된 영역의 바코드를 인식한다. 특히 이미지 기반 바코드 정확도를 향상시키기 위해 AI 기반 딥러닝 모델을 구현했다. 즉, 현장의 다양한 이미지에서 미검/과검 현상이 발생하는데 대해, 현장 이미지를 적용한 재학습을 통해 검출률을 개선한다. 또한 어두움/회전/훼손/구겨짐/번짐 상태의 바코드 등 기존 API로 인식하지 못한 바코드 이미지들을 다양한 인공 바코드 생성과 학습을 통해 인식한다. 혼합 파렛타이징 기술 성능 지속 향상  로봇피킹시스템 ‘NEO Pick’은 AI 기반 무인 RPS(Robot Picking Process) 기술에 기반한다. 딥러닝 기술을 이용해 피킹 대상체 분리를 인식하고, 안정적인 피킹을 위한 피킹 포인트를 선정한다. 김영태 이사는 “혼재해 있는 제품을 각각 구별하고 피킹 대상 물품을 인식하는데 AI기술이 적용되는 것”이라며, “RPS 구현을 통해 이형 및 비정형 물체 피킹이 가능하다”고 설명했다. 피킹 대상 물품 인식에는 Instance Segmentation 방식과 Heatmap 방식이 사용된다. 정형제품 피킹에는 Instance Segmentation 방식이 사용되며, 박스, 캔, 원통 등과 같이 한정적인 모양과 개수의 제품을 피킹한다. 비정형 제품 피킹에 유리한 Heatmap 방식은 피킹 대상 제품이 자주 바뀌고 비닐 포장이나 복잡한 모양의 제품이 많은 경우의 피킹에 사용된다. 혼합 파렛타이징 기술인 ‘NEO Cube’는 다양한 재원을 가진 박스들의 안정적인 적재 패턴 도출 알고리즘을 기반으로 한다. 즉, 가로/세로/높이/무게/내하중 등 다양한 재원의 박스들을 분석한후 사용할 박스들의 안정적인 패턴을 도출하고, 파렛트/롤테이너 등 박스들이 적재되는 위치의 종류와 석션/포크 등 적재장비의 종류에 따른 적절한 적재 순서를 제공한다. 김영태 이사는 “물품이 들어오는 순서를 정해줄 수 있을 때와 정해줄 수 없을 때에 따라 적절한 알고리즘을 사용해 적재 패턴을 생성하며, 상용화된 파렛트나 독특한 모양의 파렛트에 모두 적재 가능하다”고 설명했다. NEO Cube는 적재 패턴 안정화를 위해 비안정적인 적재 패턴에 좋은 성능을 나타낸 데이터들을 대량 추출해 해당 부분을 학습함으로써, 계속해서 성능을 향상하고 적재 시간을 줄이고 있다. 한 파렛트위에 다양한 크기의 제품을 적재하는 혼합 파렛타이징의 경우, 사전 시뮬레이션을 통해 혼합 적재시 공간 효율 및 운반 안전성을 감안하여 최적의 모델링을 산출하고 제품 적재순서를 미리 정한다. 이때 다축 개별 제어를 통해 투입되는 제품 크기와 수량에 따라 멀티 그리퍼 등 다양한 그립을 구현한다. 자율주행 AGV 경로 최적화·장애물 회피 가능  자율주행 AGV 기술 ‘NEO Move’는 AGV의 이동경로를 자동으로 매핑하고, 혼잡한 환경내에서도 장애물 인식 회피가 가능하도록 했다.SFA는 자율주행 MAP 편집 및 자율주행 경로 탐색용 가이드 생성 시스템 기술을 보유하고 있어, 추가 설치물 없이 AGV 스스로 경로를 생성하거나 사용자 지정 경로 구성이 가능하다. 장애물 회피 기술도 자체 개발했다. MAP에 표시돼 있지 않은 장애물을 센서로 판단해 회피 경로를 생성하고 주행할 수 있다. AI 기반 객체인식 및 거리측정 기술도 적용돼, 작업자나 사물의 일부만 나와도 인지하고 대응 가능하다. 이외에 AGV 주행시 타 AGV나 작업자 등 이동체가 나타날 경우, 효율적으로 회피하는 등 교착상태를 지능적으로 해결할 수 있다. <저작권자 ⓒ 월간 물류매거진(www.ulogistics.co.kr) 무단전재 및 재배포금지> |
| 
|
