.svg)
AI 솔루션 문의하기
물류센터에서는 상품 입출고와 보관, 피킹, 분류, 포장 등 다양한 작업이 이루어지며 이 과정에서 상품과 작업 공간을 촬영한 이미지·영상 데이터가 지속적으로 생성될 수 있습니다. 이러한 데이터는 물류 자동화 설비나 로봇의 객체 인식, 상품 분류, 재고 관리 등을 위한 AI 학습데이터로 활용될 수 있습니다. 특히 이미지 기반 AI가 창고 환경을 인식하려면 상품의 종류와 위치뿐 아니라 선반, 작업자, 운반 장비 등 주변 요소도 구분할 필요가 있습니다. 따라서 단순히 창고 사진을 수집하는 것보다 AI가 인식해야 할 대상과 상황에 맞춰 이미지에 정보를 부여하는 라벨링 과정이 중요합니다.
물류창고의 이미지 데이터는 상품이 놓인 위치와 촬영 각도, 조명 조건 등에 따라 서로 다른 형태로 나타날 수 있습니다. 같은 상품이라도 선반에 정리된 상태와 박스에 포장된 상태, 여러 상품이 겹쳐 있는 상황에서 이미지 특성이 달라질 수 있습니다. 따라서 데이터 구축 단계에서는 특정 위치나 촬영 조건에만 데이터가 집중되지 않도록 다양한 환경을 고려할 필요가 있습니다. 창고 규모와 선반 형태, 작업 구역 등에 따라 이미지 특성도 달라질 수 있으며, 카메라의 설치 위치와 촬영 시점 역시 데이터 구성에 영향을 줍니다. 이런 차이를 반영해야 AI가 특정 환경에만 의존하는 문제를 줄일 수 있습니다.
수집된 이미지는 AI가 각 객체를 구분할 수 있도록 목적에 맞는 방식으로 라벨링합니다. 대표적으로 상품과 박스, 파렛트, 선반, 운반 장비, 작업자 등의 위치를 표시하는 작업이 이루어질 수 있습니다. 객체를 사각형 영역으로 표시하는 바운딩박스부터 객체의 형태를 픽셀 단위로 구분하는 세그멘테이션까지 활용 목적에 따라 방법이 달라집니다. 예를 들어 상품의 개수를 파악하는 작업과 상품의 정확한 외곽선을 인식하는 작업은 필요한 라벨의 수준이 서로 다릅니다. 따라서 이미지 데이터 라벨링에서는 AI 모델이 최종적으로 수행할 작업을 먼저 정의하고 그에 맞는 라벨 기준을 설계하는 과정이 필요합니다.
창고 이미지 데이터는 단일 상품 정보만 표시하기보다 실제 물류 작업에 필요한 다양한 객체와 상태를 포함하도록 구성할 수 있습니다.
이처럼 객체 종류와 위치, 상태 정보를 목적에 맞게 함께 구성하면 물류 AI의 다양한 인식 작업에 활용할 수 있는 데이터셋을 만들 수 있습니다.
실제 물류창고에서는 상품이 항상 하나씩 분리된 상태로 촬영되는 것은 아닙니다. 여러 박스가 쌓여 있거나 상품 일부가 다른 물체에 가려지는 경우처럼 객체의 전체 형태를 확인하기 어려운 이미지도 발생할 수 있습니다. 이러한 상황을 데이터에서 지나치게 제외하면 AI가 정돈된 환경에서는 잘 작동하더라도 실제 창고에서 인식 성능이 달라질 가능성이 있습니다. 따라서 라벨링 기준에서 가려진 객체를 어느 범위까지 표시할지, 서로 겹친 객체를 어떻게 구분할지 등을 사전에 정의할 필요가 있습니다. 다양한 형태의 이미지를 포함하는 것은 실제 작업환경과 유사한 조건에서 AI 인식 성능을 검증하는 데도 도움이 될 수 있습니다.
물류창고 이미지를 구축할 때는 상품뿐 아니라 작업자와 운반 장비가 함께 촬영되는 상황도 고려해야 합니다. 사람과 지게차, 이동로봇 등이 동일한 공간에서 움직이는 환경에서는 객체의 위치와 상태를 구분하는 것이 중요하기 때문입니다. 데이터 구축 목적에 따라 작업자의 위치나 장비 종류, 이동 상태 등을 별도 라벨로 관리할 수도 있습니다. 특히 안전 관련 AI를 개발하는 경우에는 작업자와 장비 사이의 거리나 접근 상황처럼 단순 객체 분류를 넘어선 정보가 필요할 수 있습니다. 따라서 라벨링 범위는 상품 인식뿐 아니라 실제 물류 현장에서 AI가 수행할 기능을 기준으로 결정해야 합니다.
이미지 데이터의 양이 많아질수록 모든 라벨을 동일한 품질로 유지하기 위한 검수 체계가 필요합니다. 객체의 위치가 잘못 표시되거나 상품 종류가 잘못 분류되면 AI가 잘못된 특징을 학습할 수 있기 때문입니다. 이를 방지하기 위해 라벨링 가이드와 작업자 교육을 마련하고, 일정 비율의 데이터를 별도로 검수하는 방식 등을 적용할 수 있습니다. 또한 특정 상품이나 창고 구역의 이미지가 지나치게 많은지, 반대로 필요한 객체의 데이터가 부족한지도 확인해야 합니다. 오류 사례를 유형별로 관리하고 반복되는 문제를 가이드에 반영하면 데이터 구축 과정에서 발생하는 품질 편차를 줄이는 데 도움이 될 수 있습니다.
물류센터의 상품과 설비, 작업 방식은 계속 변화할 수 있습니다. 새로운 상품이 추가되거나 창고 배치가 변경되면 기존 데이터만으로는 변화된 환경을 충분히 반영하지 못할 가능성이 있습니다. 따라서 이미지 데이터셋은 초기 구축으로 끝내기보다 새로운 상품과 시설, 작업환경에서 생성된 데이터를 지속적으로 추가하는 방식으로 관리할 필요가 있습니다. 기존 데이터에서 부족한 객체나 상황을 분석해 필요한 이미지를 보완하고, 라벨 기준이 변경될 경우 기존 데이터에도 동일한 기준을 적용하는 과정이 요구됩니다. 물류 창고 이미지 데이터 라벨링은 이미지 수집부터 객체 표시, 검수, 보완까지 반복적으로 관리하는 데이터 구축 과정으로 접근할 필요가 있습니다.
.svg)
.svg)
