본 논문에서는 물류 현장에서 택배 박스의 파손을 즉각적으로 분류 및 검출하기 위한 딥러닝 기반의 택배 박스 분류 알고리즘 제안에 관하여 기술한다. 국내 택배 시장은 2020년 기준 택배 물동량이 33억 7천만 박스로, 19년 대비 20.9%의 성장률을 보이면서 급격한 성장세를 나타내고 있다. 하지만 택배 시장이 성장과 함께 이에 따른 피해도 적지 않은 비율로 나타나고 있다. 최근 3년간(19~21) 택배 관련 소비자 상담 건수가 19,327건, 피해구제가 총 701건이 접수되었으며, 피해구제 신청 주된 이유는 운송물의 ‘파손·훼손’이 47,8%로 가장 높았다. 이렇듯 소비자에게 도달한 파손이나 훼손된 택배 박스는 다시 회수 절차를 거쳐 소비자에게까지 도달하는 데에 2배 이상의 시간이 소요된다. 또한, 택배 파손이 발생한 시점 파악이 어려워 책임소재의 문제 때문에 손해 배상 등의 처리가 지연되는 경우도 발생하고 있다. 따라서 본 연구에서는 택배가 파손·훼손된 상태로 최종 소비자에게 전달되는 것을 사전에 방지하기 위하여 딥러닝을 활용하여 카메라로 파손된 택배를 실시간으로 분류해 낼 수 있는 시스템을 연구하였다. ...
본 논문에서는 물류 현장에서 택배 박스의 파손을 즉각적으로 분류 및 검출하기 위한 딥러닝 기반의 택배 박스 분류 알고리즘 제안에 관하여 기술한다. 국내 택배 시장은 2020년 기준 택배 물동량이 33억 7천만 박스로, 19년 대비 20.9%의 성장률을 보이면서 급격한 성장세를 나타내고 있다. 하지만 택배 시장이 성장과 함께 이에 따른 피해도 적지 않은 비율로 나타나고 있다. 최근 3년간(19~21) 택배 관련 소비자 상담 건수가 19,327건, 피해구제가 총 701건이 접수되었으며, 피해구제 신청 주된 이유는 운송물의 ‘파손·훼손’이 47,8%로 가장 높았다. 이렇듯 소비자에게 도달한 파손이나 훼손된 택배 박스는 다시 회수 절차를 거쳐 소비자에게까지 도달하는 데에 2배 이상의 시간이 소요된다. 또한, 택배 파손이 발생한 시점 파악이 어려워 책임소재의 문제 때문에 손해 배상 등의 처리가 지연되는 경우도 발생하고 있다. 따라서 본 연구에서는 택배가 파손·훼손된 상태로 최종 소비자에게 전달되는 것을 사전에 방지하기 위하여 딥러닝을 활용하여 카메라로 파손된 택배를 실시간으로 분류해 낼 수 있는 시스템을 연구하였다. 딥러닝 기술은 최근 몇 년 사이에 급격히 고도화되면서 얼굴인식, 음석인식, 행동인식, 자연어 처리 등의 여러 기술들이 다양한 사업 분야에 적용되고 있다. 특히 딥러닝 활용 분야 중 머신 비전 기반의 물체 인식, 분류에 관한 연구는 최근 주목을 받아 다양한 산업 분야에서 적용되고 있다. 특히, 머신 비전 기반의 연구로 농업, 건설, 의료 분야에서 과일의 괴저 유무, 도로의 결함 유무, 병의 유무 등 이상 유무를 감지해내고 분류하는 연구가 수행되어 왔다. 이렇듯 다양한 분야에서 딥러닝의 머신비전을 활용한 연구가 진행 중에 있으며, 이미 여러 산업에서 이러한 기술들이 적용되고 있다. 따라서 본 연구에서는 머신 비전을 물류 분야에 적용하여, CNN 알고리즘을 활용하여 택배 파손을 빠르게 파악할 수 있는 시스템을 구축하는 데에 그 목적이 있다. 본 논문의 연구 범위 및 흐름은 다음과 같이 4가지로 구분하여 수행하였다. 첫째, 택배 박스의 파손/비파손 분류에 최적화된 알고리즘을 제안하기 위하여 딥러닝에 대하여 알아보고, 기존 이미지 분류 알고리즘에 대하여 살펴보았다. 그리고 관련 연구 동향 분석을 통하여 주요하게 쓰이는 이미지 분류 알고리즘 5개를 대상으로 하여 각 알고리즘의 특성을 검토하였다. 둘째, 수집한 데이터셋에서 증강기법을 활용하여 충분한 데이터셋을 확보한 뒤, 기존의 분류 알고리즘으로 택배 박스의 파손/비파손 여부를 분석하는 실험을 수행하였다. 도출된 실험 결과로, 분류 속도와 정확도가 높은 알고리즘을 선정하여 택배 박스의 파손 감지에 최적화된 경량 알고리즘 모델 설계에 활용하고자 하였다. 셋째, 택배 박스의 파손 감지를 위한 경량 알고리즘을 설계하고, 제안한 알고리즘으로 학습 및 테스트를 수행하였다. 도출된 결과로 기존의 이미지 분류 알고리즘과 성능을 비교하는 연구를 실시하였다. 또한, 실험 고찰을 통하여 제안한 분류 알고리즘에 대한 성능을 검토하였다. 이와 같은 연구 방법과 실험 결과에 기반하여 향후 택배 박스의 파손 감지를 위한 모델을 개발하고, 택배 파손 감지를 위한 알고리즘의 방향성을 제시하였다. 실험 결과, 택배 박스의 파손 분류를 위하여 제안한 두 가지 종류의 알고리즘은 각각 85.34%, 86.75%의 정확도를 보였다. 이는 기존의 다른 CNN 분류 알고리즘보다 높은 분류 성능을 가지는 것으로 확인되었다. 반면에, 네트워크 학습을 위하여 사용된 파라미터 수는 MobileNet-v2와 ShuffleNet-v2보다 2~3배 많은 것으로 분석되었다. 하지만 속도 대비 가장 우수한 성능을 보이면서 제안한 알고리즘이 타 분류 모델 보다 택배 박스의 파손 분류에 최적화 되어있음을 확인할 수 있었다. 이를 통해 제안한 알고리즘을 이용하면 실제 물류 현장에서 고가의 전용 프로세서나 장비를 사용하지 않고도 임베디드 장치와 같은 저사양 장치를 활용하여 알고리즘을 실시간으로 구현할 수 있음을 확인하였다. 실시간으로 충분히 작동할 수 있음을 확인했다. 또한, 저렴하게 하드웨어를 구성할 수 있어 많은 물류 현장에서 영상 기반의 택배 박스 분류 감지 시스템을 구축할 수 있을 것으로 보인다. 본 연구는 기존에 진행된 적 없던 택배 박스의 파손 분류에 관한 연구로 향후 추가적인 데이터 세트를 확보한다면 성능을 더 높일 수 있으며, 연구 자체가 물류현장에서 중요한 역할을 할 것으로 기대된다.
본 논문에서는 물류 현장에서 택배 박스의 파손을 즉각적으로 분류 및 검출하기 위한 딥러닝 기반의 택배 박스 분류 알고리즘 제안에 관하여 기술한다. 국내 택배 시장은 2020년 기준 택배 물동량이 33억 7천만 박스로, 19년 대비 20.9%의 성장률을 보이면서 급격한 성장세를 나타내고 있다. 하지만 택배 시장이 성장과 함께 이에 따른 피해도 적지 않은 비율로 나타나고 있다. 최근 3년간(19~21) 택배 관련 소비자 상담 건수가 19,327건, 피해구제가 총 701건이 접수되었으며, 피해구제 신청 주된 이유는 운송물의 ‘파손·훼손’이 47,8%로 가장 높았다. 이렇듯 소비자에게 도달한 파손이나 훼손된 택배 박스는 다시 회수 절차를 거쳐 소비자에게까지 도달하는 데에 2배 이상의 시간이 소요된다. 또한, 택배 파손이 발생한 시점 파악이 어려워 책임소재의 문제 때문에 손해 배상 등의 처리가 지연되는 경우도 발생하고 있다. 따라서 본 연구에서는 택배가 파손·훼손된 상태로 최종 소비자에게 전달되는 것을 사전에 방지하기 위하여 딥러닝을 활용하여 카메라로 파손된 택배를 실시간으로 분류해 낼 수 있는 시스템을 연구하였다. 딥러닝 기술은 최근 몇 년 사이에 급격히 고도화되면서 얼굴인식, 음석인식, 행동인식, 자연어 처리 등의 여러 기술들이 다양한 사업 분야에 적용되고 있다. 특히 딥러닝 활용 분야 중 머신 비전 기반의 물체 인식, 분류에 관한 연구는 최근 주목을 받아 다양한 산업 분야에서 적용되고 있다. 특히, 머신 비전 기반의 연구로 농업, 건설, 의료 분야에서 과일의 괴저 유무, 도로의 결함 유무, 병의 유무 등 이상 유무를 감지해내고 분류하는 연구가 수행되어 왔다. 이렇듯 다양한 분야에서 딥러닝의 머신비전을 활용한 연구가 진행 중에 있으며, 이미 여러 산업에서 이러한 기술들이 적용되고 있다. 따라서 본 연구에서는 머신 비전을 물류 분야에 적용하여, CNN 알고리즘을 활용하여 택배 파손을 빠르게 파악할 수 있는 시스템을 구축하는 데에 그 목적이 있다. 본 논문의 연구 범위 및 흐름은 다음과 같이 4가지로 구분하여 수행하였다. 첫째, 택배 박스의 파손/비파손 분류에 최적화된 알고리즘을 제안하기 위하여 딥러닝에 대하여 알아보고, 기존 이미지 분류 알고리즘에 대하여 살펴보았다. 그리고 관련 연구 동향 분석을 통하여 주요하게 쓰이는 이미지 분류 알고리즘 5개를 대상으로 하여 각 알고리즘의 특성을 검토하였다. 둘째, 수집한 데이터셋에서 증강기법을 활용하여 충분한 데이터셋을 확보한 뒤, 기존의 분류 알고리즘으로 택배 박스의 파손/비파손 여부를 분석하는 실험을 수행하였다. 도출된 실험 결과로, 분류 속도와 정확도가 높은 알고리즘을 선정하여 택배 박스의 파손 감지에 최적화된 경량 알고리즘 모델 설계에 활용하고자 하였다. 셋째, 택배 박스의 파손 감지를 위한 경량 알고리즘을 설계하고, 제안한 알고리즘으로 학습 및 테스트를 수행하였다. 도출된 결과로 기존의 이미지 분류 알고리즘과 성능을 비교하는 연구를 실시하였다. 또한, 실험 고찰을 통하여 제안한 분류 알고리즘에 대한 성능을 검토하였다. 이와 같은 연구 방법과 실험 결과에 기반하여 향후 택배 박스의 파손 감지를 위한 모델을 개발하고, 택배 파손 감지를 위한 알고리즘의 방향성을 제시하였다. 실험 결과, 택배 박스의 파손 분류를 위하여 제안한 두 가지 종류의 알고리즘은 각각 85.34%, 86.75%의 정확도를 보였다. 이는 기존의 다른 CNN 분류 알고리즘보다 높은 분류 성능을 가지는 것으로 확인되었다. 반면에, 네트워크 학습을 위하여 사용된 파라미터 수는 MobileNet-v2와 ShuffleNet-v2보다 2~3배 많은 것으로 분석되었다. 하지만 속도 대비 가장 우수한 성능을 보이면서 제안한 알고리즘이 타 분류 모델 보다 택배 박스의 파손 분류에 최적화 되어있음을 확인할 수 있었다. 이를 통해 제안한 알고리즘을 이용하면 실제 물류 현장에서 고가의 전용 프로세서나 장비를 사용하지 않고도 임베디드 장치와 같은 저사양 장치를 활용하여 알고리즘을 실시간으로 구현할 수 있음을 확인하였다. 실시간으로 충분히 작동할 수 있음을 확인했다. 또한, 저렴하게 하드웨어를 구성할 수 있어 많은 물류 현장에서 영상 기반의 택배 박스 분류 감지 시스템을 구축할 수 있을 것으로 보인다. 본 연구는 기존에 진행된 적 없던 택배 박스의 파손 분류에 관한 연구로 향후 추가적인 데이터 세트를 확보한다면 성능을 더 높일 수 있으며, 연구 자체가 물류현장에서 중요한 역할을 할 것으로 기대된다.
This dissertation describe a proposal for a deep learning-based parcel box classification algorithm to immediately classify and detect damage to parcel boxes at the logistics site.As of 2020, delivery volume in Korea was estimated at 3.37 billion boxes, it shows a rapid increase in the volume with a...
This dissertation describe a proposal for a deep learning-based parcel box classification algorithm to immediately classify and detect damage to parcel boxes at the logistics site.As of 2020, delivery volume in Korea was estimated at 3.37 billion boxes, it shows a rapid increase in the volume with a growth rate of 20.9% compared to the previous year. However, along with the growth of the delivery market, damage related to delivery is also increasing. In the past three years (’19-’21), 19,327 cases of consumer counseling related to delivery were received, and a total of 701 cases of damage relief were received. The main reason for the request for damage relief was the ‘damage’ to the shipment, with 47.8% being the highest. Damaged parcel boxes that reach the consumer takes more than twice as much time to go through the recovery process and reach the consumer again. In addition, there is a problem of delay in indemnification for damage due to the issue of liability, because, it is difficult to detect the time of the damage. Therefore, in this study, a system for classifying damaged parcels was studied using deep learning to prevent damaged parcels from being delivered to consumers. Deep learning technology has rapidly advanced in recent years, and various technologies such as face, voice and behavior recognition, and natural language processing are being applied to various business fields. In particular, research related on machine vision has been carried out to detect and classify abnormalities such as gangrene in fruits, defects in roads, and disease in agriculture, construction, and medical fields. As such, the research using machine vision for deep learning is in progress in various fields, and these technologies are already being applied in various industries. Therefore, the aim of this study is to propose an improved algorithm that can quickly identify and classify damaged parcel boxes by applying machine vision of deep learning to the logistics field. The scope and flow of the research in this thesis was divided into four categories as follows. First, some image classification algorithms were used to compare the performance of the classification of damaged parcel boxes. Among them, based on the classification algorithm that produces the optimal performance, a study was conducted to develop an improved classification algorithm with lightweight and high-performance. And through the analysis of related research trends, the characteristics of each algorithm were reviewed by targeting 5 main image classification algorithms. Second, the classification experiment using existing classification models was performed to classify damaged/non-damaged parcel boxes using the collected and machining image data. Among them, an optimal algorithm with high testing speed and accuracy is selected and used as a backbone for designing an improved lightweight algorithm for classifying the damage to the parcel boxes. Third, a lightweight algorithm for classifying the damage to parcel boxes was designed, and learning and testing were performed. With the results derived from the above experiment, we compared the performance of the existing classification algorithms and considered ways to improve the performance of the proposed algorithm.In addition, the performance of the proposed classification algorithm was analyzed through an experimental review. Finally, based on these research methods and experimental results, we intend to check the possibility of an improved lightweight model for classifying the damaged parcel boxes. And we suggest the direction of an algorithm in the future for detecting the damaged parcel boxes. As a result of the experiment, the two types of algorithms proposed for the classification of damaged parcel boxes showed 85.34% and 86.75% accuracy, respectively. This has been confirmed to have higher classification performance than other existing CNN classification algorithms. On the other hand, the parameter values used for network learning were analyzed to be 2-3 times larger than those of MobileNet-v2 and ShuffleNet-v2. However, it was confirmed that the proposed algorithms were more optimized to classify the damaged parcel boxes than other classification models, showing the best performance compared to speed. This confirms that the proposed algorithm can be implemented in real time by utilizing low-spec devices such as embedded devices without the use of expensive dedicated processors or equipment in real logistics sites. It was confirmed that it could be operated sufficiently in real time. This paper is a study on the classification of damaged parcel boxes, which has not been conducted before. If additional data sets are secured in the future, the performance can be further improved, and the study itself is expected to play an important role in the logistics field.
This dissertation describe a proposal for a deep learning-based parcel box classification algorithm to immediately classify and detect damage to parcel boxes at the logistics site.As of 2020, delivery volume in Korea was estimated at 3.37 billion boxes, it shows a rapid increase in the volume with a growth rate of 20.9% compared to the previous year. However, along with the growth of the delivery market, damage related to delivery is also increasing. In the past three years (’19-’21), 19,327 cases of consumer counseling related to delivery were received, and a total of 701 cases of damage relief were received. The main reason for the request for damage relief was the ‘damage’ to the shipment, with 47.8% being the highest. Damaged parcel boxes that reach the consumer takes more than twice as much time to go through the recovery process and reach the consumer again. In addition, there is a problem of delay in indemnification for damage due to the issue of liability, because, it is difficult to detect the time of the damage. Therefore, in this study, a system for classifying damaged parcels was studied using deep learning to prevent damaged parcels from being delivered to consumers. Deep learning technology has rapidly advanced in recent years, and various technologies such as face, voice and behavior recognition, and natural language processing are being applied to various business fields. In particular, research related on machine vision has been carried out to detect and classify abnormalities such as gangrene in fruits, defects in roads, and disease in agriculture, construction, and medical fields. As such, the research using machine vision for deep learning is in progress in various fields, and these technologies are already being applied in various industries. Therefore, the aim of this study is to propose an improved algorithm that can quickly identify and classify damaged parcel boxes by applying machine vision of deep learning to the logistics field. The scope and flow of the research in this thesis was divided into four categories as follows. First, some image classification algorithms were used to compare the performance of the classification of damaged parcel boxes. Among them, based on the classification algorithm that produces the optimal performance, a study was conducted to develop an improved classification algorithm with lightweight and high-performance. And through the analysis of related research trends, the characteristics of each algorithm were reviewed by targeting 5 main image classification algorithms. Second, the classification experiment using existing classification models was performed to classify damaged/non-damaged parcel boxes using the collected and machining image data. Among them, an optimal algorithm with high testing speed and accuracy is selected and used as a backbone for designing an improved lightweight algorithm for classifying the damage to the parcel boxes. Third, a lightweight algorithm for classifying the damage to parcel boxes was designed, and learning and testing were performed. With the results derived from the above experiment, we compared the performance of the existing classification algorithms and considered ways to improve the performance of the proposed algorithm.In addition, the performance of the proposed classification algorithm was analyzed through an experimental review. Finally, based on these research methods and experimental results, we intend to check the possibility of an improved lightweight model for classifying the damaged parcel boxes. And we suggest the direction of an algorithm in the future for detecting the damaged parcel boxes. As a result of the experiment, the two types of algorithms proposed for the classification of damaged parcel boxes showed 85.34% and 86.75% accuracy, respectively. This has been confirmed to have higher classification performance than other existing CNN classification algorithms. On the other hand, the parameter values used for network learning were analyzed to be 2-3 times larger than those of MobileNet-v2 and ShuffleNet-v2. However, it was confirmed that the proposed algorithms were more optimized to classify the damaged parcel boxes than other classification models, showing the best performance compared to speed. This confirms that the proposed algorithm can be implemented in real time by utilizing low-spec devices such as embedded devices without the use of expensive dedicated processors or equipment in real logistics sites. It was confirmed that it could be operated sufficiently in real time. This paper is a study on the classification of damaged parcel boxes, which has not been conducted before. If additional data sets are secured in the future, the performance can be further improved, and the study itself is expected to play an important role in the logistics field.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.