KR102393451B1 - 고객클레임 검증방법 및 장치 - Google Patents

고객클레임 검증방법 및 장치 Download PDF

Info

Publication number
KR102393451B1
KR102393451B1 KR1020200033495A KR20200033495A KR102393451B1 KR 102393451 B1 KR102393451 B1 KR 102393451B1 KR 1020200033495 A KR1020200033495 A KR 1020200033495A KR 20200033495 A KR20200033495 A KR 20200033495A KR 102393451 B1 KR102393451 B1 KR 102393451B1
Authority
KR
South Korea
Prior art keywords
identifier
image
computer
recognized
product
Prior art date
Application number
KR1020200033495A
Other languages
English (en)
Other versions
KR20210094440A (ko
Inventor
황형수
최선미
Original Assignee
황형수
최선미
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 황형수, 최선미 filed Critical 황형수
Publication of KR20210094440A publication Critical patent/KR20210094440A/ko
Priority to KR1020220039614A priority Critical patent/KR102489772B1/ko
Application granted granted Critical
Publication of KR102393451B1 publication Critical patent/KR102393451B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/6267—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Finance (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 상품 미배송 또는 오배송 클레임을 걸어오는 고객들의 요청에 대응하기 위하여, 딥러닝 등의 기계학습을 이용하여 포장 현장을 촬영한 영상 속에서 자동으로 운송장이나 주문서의 식별자(바코드 등)를 인식하여 클레임 접수시에 용이하게 해당 고객 상품에 해당하는 화면을 검색할 수 있도록 하는 방안을 제안한다. 본 발명에 따르면, 상품의 식별자를 인식하도록 기계학습하여 학습모델을 구축하고; 포장 현장에서 작업자가 작업대에 상기 식별자가 포함된 문서를 놓고 상품 포장을 하는 모습을 촬영하여 영상을 저장하고; 상기 학습모델을 이용하여 상기 저장 영상에서 각 식별자를 인식하여, 인식된 식별자에 내재된 정보를 추출하고; 상기 식별자에 내재된 정보를 인덱스로 하여 해당 상품의 영상을 분류한다.

Description

고객클레임 검증방법 및 장치 {Method and apparatus for verifying customer claim}
본 발명은 상품의 포장 및 배송을 수행하는 분야, 그리고 배송 상품에 대한 고객의 클레임에 대응하기 위한 영상 저장, 인식, 및 검색 기술에 관한 것이다.
상품을 포장하여 배송하는 쇼핑몰(온라인 또는 오프라인)에서는 상품의 오배송, 환불, 재배송 등의 클레임에 대처하기 위하여 상품이 정당하게 포장되었는지 여부를 검증하는 일로 시간적 금전적 손실이 크다.
종래에는 이를 위해 상품 포장 장면을 촬영한 영상을 저장해 놓고 고객 클레임 접수시에 해당 고객에 관련된 CCTV 영상을 일일이 찾아서 처리하고 있다. 하지만, 하루에 수 천 개 이상의 판매 매출을 올리고 있는 쇼핑몰의 경우에 모든 CCTV 영상을 뒤져서 특정 고객 상품의 포장이 몇시 몇분에 이뤄졌는지 찾는 작업은 사실상 불가능하다. 이로 인해 클레임에 대해 진상검증을 제대로 하지 않은 채 손해를 감수하고 고객에게 동일 상품을 재발송하는 방식으로 문제를 무마하려는 쇼핑몰들도 많다.
이러한 문제를 조금이나마 극복하기 위해 포장 전에 한 번 그리고 포장 후에 또 한 번 운송장이나 주문서에 있는 바코드를 스캔하여 해당 고객의 상품이 언제 포장되었는지 데이터화하는 시도도 진행되고 있다. 하지만 이러한 시스템의 경우에는 포장 인력마다 카메라, 바코드 스캐너, 바코드 인식장치(노트북이나 PC) 등의 추가 장비를 구비해야 하는 경제적 부담 및 매 상품에 대해서 바코드스캔 작업을 해야 하는 인력과 시간의 부담이 증대된다.
속도가 생명인 포장 및 배송 분야에서 바코드를 수회 스캔하는 행위는 작업속도를 지연시킬 수밖에 없다. 더욱이 택배수량이 일정수준을 넘어가는 업체라면 기본 도입비용부터 유지비용까지 추가적인 비용이 발생하기에 대규모 자산의 쇼핑몰이 아닌 이상 일반적인 쇼핑몰들이 선택하기에는 한계가 있는 방식이다.
본 발명자는 상품 미배송 또는 오배송 클레임을 걸어오는 고객들의 요청에 대응할 수 있는 방법으로서, 딥러닝 등의 기계학습을 이용하여 포장 현장을 촬영한 영상 속에서 자동으로 운송장이나 주문서의 식별자(바코드 등)를 인식하여 클레임 접수시에 용이하게 해당 고객 상품에 해당하는 화면을 검색할 수 있도록 하는 방안을 제안한다.
상기 과제를 해결하기 위하여 본 발명의 일측면에 따르면 다음과 같은 과정을 포함하는 고객클레임 검증장치 및 방법이 제공된다.
먼저, 상품의 운송장이나 주문서 등 식별자(바코드, QR코드, 송장번호 등)가 포함된 문서에서 해당 식별자를 인식하도록 기계학습하여 학습모델을 구축한다.
다음에, 포장 현장에서 작업자가 작업대에 상기 식별자가 포함된 문서를 놓고 상품 포장을 하는 모습을 촬영하여 영상을 저장한다(예를 들어 DVR 시스템에 저장). 저장되는 영상에는 식별자와 함께 작업자가 상품을 포장하는 모습이 담긴다. 이 과정은 작업자의 업무 시간에 이루어진다.
구축되어 있는 식별자 인식 학습모델을 이용하여 상기 저장 영상에서 각 식별자를 인식한다. 그리고 이 식별자에 내재된 정보, 예를 들어, 해당 상품의 포장 시작시점 및 포장 완료시점, 송장번호, 고객명, 고객전화번호 등을 추출한다. 추출된 식별자 내재 정보를 인덱스로 하여 해당 상품에 관련된 촬영 영상을 분류한다. 이 과정은 업무 시간 종료 후(예를 들어, 직원 퇴근 후에서 다음날 출근 전까지의 야간)에 이루어질 수 있다. 식별자 인식과 영상 분류 및 저장은 해당 업체 내에 구축된 또는 외부에 위치한 컴퓨팅 시스템에서 실행될 수 있다.
차후에 고객 클레임이 접수되면 상기 분류된 영상의 인덱스를 검색어로 하여 용이하게 해당 상품에 관련된 영상을 찾을 수 있다. 이 검색 과정은 해당 업체 내에 구축된 또는 외부에 위치한 컴퓨팅 시스템에 유선 또는 무선으로 접속되는 단말기를 통해 실행될 수 있다.
한편, 상술한 과정 중, 저장 영상에서 학습모델을 이용하여 식별자를 인식하여 영상을 분류하는 과정에서 다음과 같은 불리한 점이 일어날 수 있다. - 포장 시작시부터 완료시까지 계속해서 영상 속에 나타나고 있는 식별자 객체를 학습모델이 계속해서 인식해야 함에 따른 시간적 손실과 리소스 낭비. 이러한 문제는 상품별로 포장 시작시점에서 완료시점까지의 시간이 상이하다는 점까지 결부되어 더욱 해결이 어려운 문제이다.
이를 해결하기 위하여 본 발명은 다음과 같은 방안을 추가로 제공한다.
먼저, 학습모델을 이용하여 영상화면 프레임에서 식별자를 인식한다; 별도로 입력된 식별자 데이터 중에서 상기 인식된 식별자와 일치하는 것이 있는지 판단한다; 매칭되는 식별자가 있다면 더 이상 식별자를 인식할 필요가 없으므로 인식과정을 정지하고 대기한다; 매칭된 식별자가 없다면 계속해서 식별자 인식을 수행한다; 영상화면 프레임에서 식별자가 끝났는지, 즉, 상기 식별자가 다른 식별자로 바뀌었는지 판단한다; 상기 식별자가 다른 식별자로 바뀌었으면, 이제부터 다음 식별자를 인식하여 상기 과정을 되풀이한다. 이상과 같은 방안에 의해서 식별자와 후속 식별자 사이에서 계속해서 식별자 인식을 할 필요가 없어서 상술한 문제점이 해소될 수 있다.
이상에서 소개한 본 발명의 구성 및 작용은 이후에 도면과 함께 설명하는 구체적인 실시예를 통하여 더욱 명확해질 것이다.
누락 배송 또는 오배송된 상품의 운송장 번호나 고객명 등만 입력하면 자동으로 수 초 안에 해당 포장작업 영상을 찾을 수 있어 고객대응이 보다 빠르고 정확하게 이뤄질 수 있으며, 최소한의 인력으로 고객 클레임에 대응할 수 있다.
또한 별도의 장비를 설치할 필요없이, CCTV 장비와 영상 저장 및 검색용 컴퓨터 장비만 있으면 본 발명의 구현이 가능하다. 상품의 포장 및 배송을 수행하는 업체에서는 아마 거의 모두가 CCTV 장비와 컴퓨터 장비를 갖추고 있을 것이므로, 본 발명의 구현을 위해서 매우 적은 비용만이 소요될 것이다.
포장 인력 역시 따로 바코드를 찍는 행위를 하지 않아도 되고, CS(고객지원) 직원들도 일반 고객 혹은 악성 블랙컨슈머들로부터의 클레임 요청이 아무리 많이 들어와도 특정 검색어만 입력하면 자동으로 해당 포장영상을 통해 배송 상품을 확인할 수 있어 보다 쉽고 간편하게 문제를 해결할 수 있다.
도 1은 본 발명의 일 실시예에 따른 고객클레임 검증장치의 구성도이다.
도 2는 도 1의 단말기(60)에 표시되는 유저인터페이스의 예시도이다.
도 3은 본 발명의 다른 실시예에 따른 고객클레임 검증장치의 구성도이다.
도 4는 도 2의 컴퓨터(50)에서 실행되는 기능의 처리순서도이다.
본 발명의 이점 및 특징, 그리고 이들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 기술되어 있는 실시예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 기재에 의해 정의된다. 한편, 본 명세서에서 사용된 용어는 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용된 '포함한다(comprise)' 또는 '포함하는(comprising)'은 언급된 구성요소, 단계, 동작 및/또는 소자 이외의 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이하, 본 발명의 바람직한 실시예를 첨부 도면을 참조하여 상세히 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가급적 동일한 부호를 부여하고 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있는 경우에는 그 상세한 설명을 생략한다.
도 1은 본 발명의 일 실시예에 따른 고객클레임 검증장치의 구성도이다.
본 실시예에서 포장현장(20)은 상품의 포장 작업을 행하는 장소를 의미하며, 일례로 컨베이어 라인을 들 수 있다.
운송장(10)은 포장현장(20)에서 상품 포장시에 함께 올려놓는 문서로, 바코드, QR코드, 송장번호 등이 표시된 문서이다. 이들 바코드, QR코드, 송장번호 등이 표시된 한 주문서나 그 밖의 문서도 이 운송장(10)에 포함될 수 있다. 포장 작업자는 포장시에 운송장(10)을 소정 위치에 놓고 작업을 한다.
카메라(30)는 포장현장(20)에서 행하는 상품 포장 장면을 촬영한다. 하는 CCTV 장치 중 일부이다. 포장 작업자가 포장시에 운송장(10)을 소정 위치에 놓고 작업을 하므로, 카메라(30)는 운송장(10)과 상품 포장 장면이 동일한 화면 프레임에 들어오도록 쵤영할 수 있게 세팅된다.
DVR(40)은 카메라(30)가 촬영한 상품포장장면 영상을 저장한다. DVR(40)과 카메라(30)는 CCTV 장치 중의 일부이다.
컴퓨터(50)에는 상기 운송장(10)에 포함된 송장번호 등 식별자를 인식하도록 기계학습된 학습모델이 구축되어 있다. 학습모델은 딥러닝 등의 방식으로 학습될 수 있지만, 이에 한정되는 것은 아니다. 또한 컴퓨터(50)는 DVR(40)에 저장된 영상을 가져와, 상기 식별자 인식 학습모델을 이용하여 저장 영상의 프레임에 나타나는 운송장(10)의 식별자를 인식하여 인식한 운송장(10) 내 식별자에 해당되는 상품의 포장 시작시점 및 포장 완료시점을 추출하여 이들 시점 사이의 시간동안에 촬영된 영상을 분류한다. 영상 분류를 위한 인덱스로는 식별자에 내재된 송장번호, 고객명, 고객전화번호, 포장시작 시간 등이다.
단말기(60)는 상기 컴퓨터(50)에 접속하여, 상기 분류된 CCTV 영상의 인덱스를 검색어로 하여 CCTV 영상 내에서 해당 상품에 관련된 영상을 검색하는 기능을 포함한다(예를 들어, 사용자 프로그램, 관리 프로그램 등). 이 밖에 단말기(60)는 다양한 사용자 편의 기능을 제공할 수 있다.
도 2a~e는 단말기(60)에서 표시되는 사용자 프로그램의 유저인터페이스(GUI)의 예시도이다.
도 2a는 DVR(40)의 파일저장소(예를 들어 'CCTV_파일저장소' 폴더)로부터 파일을 다운로드하는 기능의 화면(70)을 나타낸다. 이 기능을 이용하여 CCTV DVR(40)에서 파일을 실시간으로 다운로드 할 수 있다. 도 2a에서 파일로드된 파일 리스트 화면(72)을 볼 수 있다.
도 2b는 다운로드 받은 파일과, 실시간으로 바코드를 인식하여 DB에 저장된 자료를 보여주는 화면이다.
도 2c는 실시간으로 운송장(10)의 식별자를 인식하고 있는 상황이 기록된 프리뷰(preview) 화면을 나타낸다. 이 화면은 2열의 컨베이어벨트에서 두 개의 상품이 각각 포장되고 있는 현장이 촬영된 영상으로, 동시에 하나의 화면 프레임에 두 가지 상품의 운송장(10a, 10b)이 촬영되며 딥러닝 등의 기계학습에 의해 운송장번호가 인식된다.
도 2d는 사용자가 운송장번호를 입력하여서, 딥러닝 등의 기계학습에 의해 인식되어 인덱싱처리된 해당 운송장이 촬영된 영상을 확인하는 화면이다. 즉, 사용자가 운송장번호 입력란(74)에 운송장번호를 입력하면, 운송장번호(즉, 식별자)가 인식되어 저장되어 있는 영상 중에서 해당 운송장번호에 상응하는 상품의 포장 영상을 확인하기 위한 GUI 화면이다. 운송장번호 입력란(74) 이외에 추가코드 입력란(76), 포장일자 입력란(78), CCTV번호 입력란(80)도 마련되어 있다.
도 2e는 작업통계 화면으로, 자동 인식률의 전체통계를 조회하는 화면이다. 날짜별(포장일자) 조회(82) 및 CCTV번호별 조회(84)가 가능하다. DVR(40)에 저장된 CCTV 촬영 영상에서 기계학습에 의해 운송장의 식별자가 정상적으로 인식된 건수와 오류건수의 비율인 인식률 통계를 표시하고 조회할 수 있도록 하는 GUI 화면이다. 본 발명에서는 비록 인식 오류가 있더라도 이들 인식오류건을 인덱스로 하여 일정한 위치(예를 들어, '미인식 영상 폴더')에 저장하면 되므로 사실상 인식 오류가 일정 수준보다 낮은 한은 큰 문제가 없다.
도 3은 도 1과 다른 실시예에 따른 고객클레임 검증장치의 구성도이다.
도 1의 실시예의 경우에는 컴퓨터(50)가 저장 영상에서 학습모델을 이용하여 운송장(10)의 식별자를 인식하여 영상을 분류하는 과정에서, 포장 시작시부터 완료시까지 계속해서 영상 속에 나타나고 있는 운송장(10)을 기계학습모델이 계속해서 인식해야 함에 따른 시간적 손실과 리소스 낭비가 일어난다. 도 3은 이를 해결하기 위한 구성이다.
도 3을 참조하면, 컴퓨터(50)에 식별자 제공기(70)가 연결되거나 포함된다. 식별자 제공기(70)는 포장현장에서 포장된 상품의 운송장번호 등 식별자를 운용자가 컴퓨터(50)에 제공하도록 한다. 이로써, 식별자 인식 및 영상 분류 과정이 경제적으로 실행될 수 있다.
식별자 제공기(70)는 작업자가 직접 상품들의 식별자를 컴퓨터(50)에 입력할 수 있도록 구성될 수도 있고, 파일 형태로 저장된 식별자 데이터가 컴퓨터(50)로 임포트(import)되도록 구성될 수도 있다.
도 4는 도 3의 컴퓨터(50)에서 실행되는 기능의 처리순서도이다.
110: DVR(40)에 저장된 CCTV 영상화면에서 학습모델을 이용하여 운송장(10)의 식별자를 인식한다. 이 때는 상품의 포장 시작시점을 의미하므로 필요시에는 이 포장 시작시각을 저장해 둘 수도 있다.
120: 식별자 제공기(70)에 의해 제공된 식별자를 읽어들인다.
130: 상기 110에서 인식한 식별자가 상기 120에서 읽어들인 식별자와 일치(매칭)하는 것이 있는지 판단한다.
140: 매칭되는 식별자가 있다면 더 이상 식별자를 인식할 필요가 없으므로 컴퓨터(50)는 인식과정을 정지하고 대기한다. 매칭된 식별자가 없다면 계속해서 식별자 인식을 수행한다.
150: 해당 CCTV 영상화면에서 식별자가 끝났는지 판단한다. 즉, 상기 식별자가 다른 식별자로 바뀌었는지 판단한다. 이는, 상기 식별자가 포함된 운송장(10)에 해당하는 상품의 포장이 완료되었음을 의미한다. 필요시에는 이 포장 완료시각을 저장해 둘 수도 있다.
160: 상기 식별자가 다른 식별자로 바뀌었으면, 이제부터 다음 식별자를 인식하여 상기 과정을 되풀이한다.
170: 150 과정에서 소정의 시간이 경과되었는데도 상기 식별자가 다른 식별자로 바뀌지 않은 것으로 판단되면 인식오류(fail)로 판정하여 별도의 폴더에 해당 식별자 및 관련 영상을 Fail 데이터를 인덱스로 하여 보관한다. 앞에서 언급한 것과 같이 비록 Fail 데이터라 하더라도 별도 폴더에 보관해 두면, 향후 고객 클레임시에 식별자 검색시에 이 폴더 내의 저장 영상파일을 검색하면 되므로, 본 발명의 목적 달성에는 지장이 없을 것이다.
본 발명은 장치 측면 또는 방법적 측면으로 실시가능한데, 특히 본 발명의 각 구성요소의 기능(function) 또는 과정(process)은 DSP(digital signal processor), 프로세서, 컨트롤러, ASIC(application-specific IC), 프로그래머블 로직소자(FPGA 등), 기타 전자소자 중의 적어도 하나 그리고 이들의 조합이 포함되는 하드웨어 요소로써 구현 가능하다. 또한 하드웨어 요소와 결합되어 또는 독립적으로 소프트웨어로써도 구현 가능한데, 이 소프트웨어는 기록매체에 저장 가능하다.
이상, 본 발명의 바람직한 실시예를 통하여 본 발명의 구성을 상세히 설명하였으나, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 명세서에 개시된 내용과는 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야 한다. 본 발명의 보호범위는 상기 상세한 설명보다는 후술한 특허청구범위에 의하여 정해지며, 특허청구의 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태는 본 발명의 기술적 범위에 포함되는 것으로 해석되어야 한다.

Claims (8)

1) 컴퓨터에 의해 상품의 식별자를 인식하도록 기계학습하여 학습모델을 구축하고;
2) CCTV 장치에 의해 포장 현장에서 작업자가 작업대에 상기 식별자가 포함된 문서를 놓고 상품 포장을 하는 모습을 촬영하여 영상을 저장하고;
3) 상기 컴퓨터에 의해 상기 학습모델을 이용하여 상기 저장된 영상에서 각 식별자를 인식하여, 인식된 식별자에 내재된 정보를 추출하고;
4) 상기 컴퓨터에 의해, 상기 3)에서 식별자가 인식된 경우, 식별자에 내재된 정보를 인덱스로 하여 상기 상품의 영상을 인식 영상으로 분류하여 저장하고;
5) 상기 컴퓨터에 의해 상기 4)에서 저장된 인식 영상 중에서 사용자가 입력한 식별자 정보에 해당되는 인덱스 식별자에 대응하는 영상을 검색하는 것을 포함하고,
상기 3)은, 상기 컴퓨터에 의해,
외부로부터 제공된 식별자를 읽어들이고;
상기 2)에서 인식한 식별자가 상기 읽어들인 식별자와 매칭되는 것이 있는지 판단하여, 매칭되는 식별자가 있다면 저장 영상의 인식 과정을 정지하고, 매칭된 식별자가 없다면 계속해서 상기 저장 영상에서 식별자 인식을 수행하고;
상기 저장 영상에서 인식된 식별자가 다른 식별자로 바뀌었는지 판단하여, 식별자가 다른 식별자로 바뀌었으면, 다음 식별자를 인식하여 상기 3)을 반복하는 것을 포함하는 고객클레임 검증 방법.
제1항에서,
상기 4)는, 상기 컴퓨터에 의해 상기 3)에서 식별자가 인식되지 않은 경우 인식오류를 인덱스로 하여 상기 상품의 영상을 인식오류 영상으로 분류하여 저장하는 것을 추가로 포함하고,
상기 5)는, 상기 컴퓨터에 의해 상기 4)에서 저장된 인식 영상 및 인식오류 영상 중에서 사용자가 검색을 위해 입력한 식별자 정보에 해당되는 인덱스 식별자에 대응하는 영상을 검색하는 것을 추가로 포함하는 고객클레임 검증 방법.
삭제
제1항에서, 상기 저장 영상에서 인식된 식별자가 다른 식별자로 바뀌었는지 판단할 때에,
사전 설정된 시간이 경과될 때까지 식별자가 다른 식별자로 바뀌지 않으면, 상기 컴퓨터에 의해, 인식오류로 판정하여 해당되는 영상을 인식오류를 인덱스로 하여 별도로 보관하는 것을 추가로 포함하는 고객클레임 검증 방법.
포장 현장에서 작업자가 작업대에 상품의 식별자가 포함된 문서를 놓고 상품 포장을 하는 모습을 촬영하여 영상을 저장하도록 구성된 CCTV 장치; 및
상기 식별자를 인식하도록 기계학습된 학습모델을 이용하여 상기 저장된 영상에서 각 식별자를 인식하여, 인식된 식별자에 내재된 정보를 추출하고, 인식된 식별자에 내재된 정보를 인덱스로 하여 상기 상품의 영상을 인식 영상으로 분류하여 저장하고, 저장된 인식 영상 중에서 사용자가 검색을 위해 입력한 식별자 정보에 해당되는 인덱스 식별자에 대응하는 영상을 검색하도록 구성된 컴퓨터를 포함하고,
상기 컴퓨터에 식별자를 제공하는 식별자 제공기를 추가로 포함하고,
상기 컴퓨터는 제공받은 식별자를 독출하여 상기 인식된 식별자 중 상기 제공받은 식별자와 매칭되는 식별자가 있는지 판단하도록 추가로 구성되고,
상기 컴퓨터는
상기 매칭되는 식별자가 있다면 저장 영상의 인식 과정을 정지하고, 매칭된 식별자가 없다면 계속해서 상기 저장 영상에서 식별자 인식을 수행하고, 상기 저장 영상에서 인식된 식별자가 다른 식별자로 바뀌었는지 판단하여, 식별자가 다른 식별자로 바뀌었으면, 다음 식별자를 인식하도록 추가로 구성되는 고객클레임 검증 장치.
제5항에서, 상기 컴퓨터는, 식별자가 인식되지 않은 경우 인식오류를 인덱스로 하여 상기 상품의 영상을 인식오류 영상으로 분류 및 저장하여, 상기 저장된 인식 영상 및 인식오류 영상 중에서 사용자가 검색을 위해 입력한 식별자 정보에 해당되는 인덱스 식별자에 대응하는 영상을 검색하도록 추가로 구성되는 고객클레임 검증 장치.
삭제
삭제
KR1020200033495A 2020-01-21 2020-03-18 고객클레임 검증방법 및 장치 KR102393451B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220039614A KR102489772B1 (ko) 2020-01-21 2022-03-30 고객클레임 검증방법 및 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200008191 2020-01-21
KR1020200008191 2020-01-21

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220039614A Division KR102489772B1 (ko) 2020-01-21 2022-03-30 고객클레임 검증방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210094440A KR20210094440A (ko) 2021-07-29
KR102393451B1 true KR102393451B1 (ko) 2022-05-04

Family

ID=77127839

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200033495A KR102393451B1 (ko) 2020-01-21 2020-03-18 고객클레임 검증방법 및 장치
KR1020220039614A KR102489772B1 (ko) 2020-01-21 2022-03-30 고객클레임 검증방법 및 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220039614A KR102489772B1 (ko) 2020-01-21 2022-03-30 고객클레임 검증방법 및 장치

Country Status (1)

Country Link
KR (2) KR102393451B1 (ko)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102015954B1 (ko) * 2014-03-21 2019-08-29 한화테크윈 주식회사 영상 처리 시스템 및 영상 처리 방법
KR102349369B1 (ko) * 2016-03-16 2022-01-10 주식회사 인베트 실시간 포장 작업 관리 장치
KR20200006230A (ko) * 2018-07-10 2020-01-20 슈어소프트테크주식회사 스마트 단말 및 스마트 단말에서의 작업 공정 이상 부분 판별 방법 및 머신러닝 알고리즘을 이용한 작업 공정 자동 기록 서버 및 머신러닝 알고리즘을 이용한 작업 공정 자동 기록 방법, 그리고, 스마트 단말 및 작업 공정 자동 기록 서버간 통신 시스템

Also Published As

Publication number Publication date
KR102489772B1 (ko) 2023-01-19
KR20220044919A (ko) 2022-04-12
KR20210094440A (ko) 2021-07-29

Similar Documents

Publication Publication Date Title
TWI748564B (zh) 基於即時風險決策來收集退還物件的資訊站、方法及系統
US9639535B1 (en) Waste identification systems and methods
US10449572B2 (en) Household hazardous waste recovery
JP6176257B2 (ja) 商品情報処理装置、そのデータ処理方法、およびプログラム
WO2021018241A1 (zh) 信息处理
KR101515962B1 (ko) 실시간 포장 관리 장치
JP4191751B2 (ja) 商品販売データ処理装置
CN107818434B (zh) 取件验证方法、服务器、取件验证设备和取件验证系统
CN107995458B (zh) 一种拍摄包装过程的方法及装置
KR20180135354A (ko) Wms 연동형 물류관리시스템 및 물류관리방법
KR20180135347A (ko) Wms 연동형 물류관리시스템
KR102349369B1 (ko) 실시간 포장 작업 관리 장치
JP2017052649A (ja) 倉庫管理システム
JP6534598B2 (ja) 倉庫管理システム
CN110599156A (zh) 一种收款方法、收款装置、终端设备及介质
JP2014043287A (ja) 物品マスターテーブル作成装置および方法並びにプログラム
CN104091256A (zh) 定点快递取件点的信息识别与通信系统及信息识别与通信方法
AU2022224862A1 (en) Waste identification systems and methods
CN114022945A (zh) 一种实名收寄验视设备及实名收寄验视方法
CN104636704A (zh) 一种化肥质量追溯系统及其追溯方法
KR102393451B1 (ko) 고객클레임 검증방법 및 장치
JP2017129933A (ja) 画像管理システム、及びこれを用いた車両整備システム
CN108557364B (zh) 一种自动盘库方法和装置
KR101914540B1 (ko) 실시간 포장 관리 장치
US20220129846A1 (en) Physical Condition Verification System and Method

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)