KR102527687B1 - 물류 분류 자동화를 위한 제어 방법, 장치 및 시스템 - Google Patents

Abstract

물류 분류 자동화를 위한 제어 방법, 장치 및 시스템이 개시된다. 본 발명의 실시예에 따른 다수의 셀(Cells) 및 다수의 라인(Lines)을 포함하는 휠소터(Wheel Sorter)에서의 물류 분류 자동화를 위한 제어 방법은, PLC(Programmable Logic Controller) 신호를 수신하고, PLC 신호에 기초하여 휠소터의 셀 단위 동작을 제어하며, PLC 신호에 기초하여 휠소터의 라인 회전을 제어한다.

Description

물류 분류 자동화를 위한 제어 방법, 장치 및 시스템{CONTROL METHOD, APPARATUS AND SYSTEM FOR AUTOMATING LOGISTICS SORTING}

아래 실시예들은 물류 분류를 위한 휠소터의 동작 제어, 속도 제어 및 회전 제어를 수행할 수 있는 물류 분류 자동화를 위한 제어 방법, 장치 및 시스템에 관한 것이다.

실시예들과 관련된 배경기술로, 대한민국 공개특허공보 KR 10-2021-0036104 A는 로드셀이 구비된 휠소터를 개시한다. 구체적으로, 선행문헌은 소포나 택배와 같은 이송되는 물건의 무게를 실시간으로 산출하여 휠의 회전 각도를 제어하여 물건 분류 정확도를 높일 수 있는 휠 소터를 개시한다.

이를 통해, 선행문헌은 이송되는 물건의 무게를 실시간으로 산출하여 물건의 무게에 따라 휠들을 최적의 회전각도로 제어함으로써 물건 분류 정확도를 높일 수 있다.

또한, 대한민국 공개특허공보 KR 10-2022-0029938 A는 컨베이어의 신축구동을 이용한 모듈형 분류 시스템 및 상품 분류 방법을 개시한다. 구체적으로, 선행문헌은 컨베이어의 신축(伸縮)구동이 가능하도록 구현된 신축 컨베이어 모듈과 신축 컨베이어로부터 낙하된 상품을 정해진 슈트로 배출시키는 배출 컨베이어 모듈을 활용한 모듈형 분류 시스템 및 상품 분류 방법을 개시한다.

이를 통해, 선행문헌은 상품 분류 시스템 자체를 모듈형으로 구현할 수 있게 되므로 물류 작업장을 구축하는 데에 있어 공간활용을 보다 효율적으로 할 수 있게 되며, 또한 운영자 의도에 따라 구축하고자 하는 물류 작업장을 쉽게 구현해 낼 수 있는 효과가 있다.

그러나 선행문헌들은 PLC(Programmable Logic Controller) 신호를 수신하고, PLC 신호에 기초하여 휠소터의 셀 단위 동작을 제어하며, PLC 신호에 기초하여 휠소터의 라인 회전을 제어하는 다수의 셀(Cells) 및 다수의 라인(Lines)을 포함하는 휠소터(Wheel Sorter)에서의 물류 분류 자동화를 위한 제어 방법, 장치 및 시스템을 개시하지 않는다.

대한민국 공개특허공보 KR 10-2021-0036104 A 대한민국 공개특허공보 KR 10-2022-0029938 A

실시예들은 PLC 신호에 따라서 휠소터의 동작을 제어하는 방법을 제공하고자 한다.

실시예들은 휠소터의 셀 구동 모터의 속도 제어 방법을 제공하고자 한다.

실시예들은 휠소터의 셀 구동 모터의 과부하 상태 여부 판단 방법을 제공하고자 한다.

본 발명의 실시예에 따른 다수의 셀(Cells) 및 다수의 라인(Lines)을 포함하는 휠소터(Wheel Sorter)에서의 물류 분류 자동화를 위한 제어 방법은, PLC(Programmable Logic Controller) 신호를 수신하는 단계; 상기 PLC 신호에 기초하여 상기 휠소터의 셀 단위 동작을 제어하는 단계; 및 상기 PLC 신호에 기초하여 상기 휠소터의 라인 회전을 제어하는 단계를 포함할 수 있다.

일 실시예로서, 상기 셀 단위 동작을 제어하는 단계는, 구동 시작 명령을 수신하는 단계; 상기 구동 시작 명령에 기초하여 구동 파라미터를 재설정하는 단계; 상기 다수의 셀들 각각의 구동을 시작하도록 제어하는 단계; 상기 다수의 셀들 각각의 가속 제어를 수행하는 단계; 상기 다수의 셀들 중 구동 모터의 속도가 제1 임계값 이하인 제1 셀의 동작을 정지하도록 제어하는 단계; 상기 제1 셀의 저속 재시도 횟수가 제2 임계값을 초과하지 않은 경우 상기 제1 셀의 구동을 다시 시작하도록 제어하는 단계; 상기 다수의 셀들 중 구동 모터의 속도가 상기 제1 임계값 초과인 제2 셀의 구동 모터가 과부하 상태인지 판단하는 단계; 및 상기 제2 셀의 구동 모터가 과부하 상태가 아닌 것으로 판단된 경우 상기 제2 셀의 구동 모터를 정상 동작하도록 제어하는 단계를 포함할 수 있다.

일 실시예로서, 상기 제2 셀 구동 모터가 과부하 상태인지 판단하는 단계는, 과부하 재시도 횟수가 제3 임계값 초과인 경우 과부하 장애로 판단하는 단계; 및 상기 과부하 재시도 횟수가 상기 제3 임계값 이하인 경우 상기 제2 셀 위에 위치한 상품이 비닐 봉지에 포장된 경우 상기 제2 셀 구동 모터를 역방향으로 2회전하도록 제어하고, 상기 제2 셀 위에 위치한 상품이 비닐 봉지에 포장되지 않은 경우 상기 제2 셀 구동 모터를 역방향으로 1회전하도록 제어하는 단계를 포함할 수 있다.

일 실시예로서, 상기 휠소터의 셀 단위 동작을 제어하는 단계는, 상품의 진행 방향상 선행하는 제1 위치에서 촬영된 상기 상품의 제1 이미지와 상기 제1 위치보다 후행하는 제2 위치에서 촬영된 상기 상품의 제2 이미지를 촬영하는 단계; 상기 제1 이미지에서 상기 상품의 제1 외곽선을 추출하는 단계; 상기 제1 외곽선을 포함하는 최소 넓이의 제1 직사각형 영역을 설정하는 단계; 상기 제1 직사각형 영역의 제1 넓이를 산출하는 단계; 상기 제2 이미지에서 상기 상품의 제2 외곽선을 추출하는 단계; 상기 제2 외곽선을 포함하는 최소 넓이의 제2 직사각형 영역을 설정하는 단계; 상기 제2 직사각형 영역의 제2 넓이를 산출하는 단계; 및 상기 제1 넓이 및 상기 제2 넓이를 이용하여 상기 상품의 쓰러짐 여부를 판단하는 단계를 포함할 수 있다.

일 실시예로서, 상기 휠소터 및 상기 휠소터를 이용하여 상품을 운송하는 휠소터 영상을 촬영하는 단계; 상기 휠소터 영상으로부터 감시 객체를 추출하는 단계; 상기 휠소터 영상으로부터 상기 감시 객체에 대한 속도 정보를 획득하는 단계; 상기 속도 정보로부터 상기 감시 객체에 대한 위험 상태 정보를 구역마다 생성하는 단계; 상기 속도 정보로부터 상기 감시 객체의 속도와 미리 설정된 기준 속도를 비교하는 단계; 상기 감시 객체의 속도가 상기 기준 속도보다 작은 것으로 판단된 구역의 위험 상태 정보를 정상 상태로 설정하는 단계; 상기 감시 객체의 속도가 상기 기준 속도보다 큰 것으로 판단된 구역에서 상기 감시 객체의 소리의 세기와 미리 설정된 기준 세기와 비교하는 단계; 상기 감시 객체의 소리의 세기가 상기 기준 세기 보다 작은 구역의 위험 상태 정보를 경고 상태로 설정하는 단계; 상기 감시 객체의 소리의 세기가 상기 기준 세기 보다 큰 구역의 위험 상태 정보를 위험 상태로 설정하는 단계; 상기 정상 상태에 해당하는 구역의 휠소터 영상에 제1 밝기 및 제1 채도를 포함하는 제1 스타일을 적용하고, 상기 제1 스타일이 적용된 휠소터 영상을 관리자 단말로 전송하는 단계; 상기 경고 상태에 해당하는 구역의 휠소터 영상에 제2 밝기 및 제2 채도를 포함하는 제2 스타일을 적용하고, 상기 제2 스타일이 적용된 휠소터 영상을 상기 관리자 단말로 전송하는 단계; 및 상기 위험 상태에 해당하는 구역의 휠소터 영상에 제3 밝기 및 제3 채도를 포함하는 제3 스타일을 적용하고, 상기 제3 스타일이 적용된 휠소터 영상을 상기 관리자 단말로 전송하는 단계를 더 포함할 수 있다.

일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

실시예들은 물류 분류를 위한 휠소터의 동작 제어, 속도 제어 및 회전 제어를 수행하여 상품 분류의 정확성 및 신속성을 향상시킬 수 있다. 또한, 휠소터를 이용하여 운송중인 상품의 이미지를 이용하여 쓰러짐 여부를 용이하게 판단하여 상품 쓰러짐에 대한 적절한 대응을 유도할 수 있다.

도 1은 일실시예에 따른 물류 분류 자동화를 위한 제어 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 휠소터를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 상품 이미지의 예시도이다.
도 4는 일실시예에 따른 PLC를 설명하기 위한 도면이다.
도 5는 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 물류 분류 자동화를 위한 제어 방법의 흐름도이다.
도 7은 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은 일실시예에 따른 물류 분류 자동화를 위한 제어 시스템을 설명하기 위한 도면이다.

도 1에 도시한 바와 같이, 물류 분류 자동화를 위한 제어 시스템 (100)은, 다수의 휠소터(110-1,…), PLC(Programmable Logic Controller)(120) 및 데이터베이스(130)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 PLC(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 PLC(120)내에 구비될 수도 있다. 예를 들어, PLC(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 인공지능 모델을 포함할 수 있다. 일 실시예에 따르면, 다수의 휠소터(110-1,…PLC(120) 및 데이터베이스(130)는 네트워크(N)를 통하여 서로 통신 가능하도록 연결될 수 있다.

네트워크(N)는, 다수의 휠소터(110-1,…PLC(120), 데이터베이스(130) 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크(N)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있다.

데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 휠소터(110-1,…PLC(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 다수의 휠소터(110-1,…에서 촬영된 휠소터 영상, 제1 이미지, 제2 이미지 및 PLC(120)에서 형성된 PLC 신호, 구동 시작 명령 등을 저장할 수 있다.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.

도 2는 일실시예에 따른 휠소터를 설명하기 위한 도면이다.

도 2에 도시한 바와 같이, 휠소터(110)는 컨베이어 벨트와 결합하여 상품을 미리 설정된 로직에 따라서 분류해주는 장비로서, 분류 작업 시간 단축 등 물류 분류 자동화의 운영 효율성을 향상시킬 수 있다. 일 실시예에 따르면, 휠소터(110)는 구동 모터에 의해 정방향 또는 역방향으로 회전하도록 동작하는 셀(Cell)(112)과 다수의 셀들로 구성된 라인(Line)(114)을 포함할 수 있다. 예를 들어, 휠소터(110)는 휠소터(110)의 수평 방향 회전을 제어하는 로테이션 모터 및 휠소터(110)의 상품 이송을 제어하는 구동 모터를 포함할 수 있다.

다수의 휠소터(110-1,… 각각은 PLC(120)로부터 수신된 PLC 신호에 기초하여 휠소터 각각의 셀 단위 동작을 제어할 수 있다. 일 실시예에 따르면, 다수의 휠소터(110-1,… 각각은 PLC(120)로부터 구동 시작 명령을 수신하고, 구동 시작 명령에 기초하여 다수의 셀(112) 각각의 구동 파라미터를 재설정할 수 있다.

다수의 휠소터(110-1,… 각각은 다수의 셀(112)들 각각의 구동을 시작하도록 제어하고, 다수의 셀(112)들 각각의 가속 제어를 수행할 수 있다. 일 실시예에 따르면, 다수의 휠소터(110-1,… 각각은 셀(112) 단위로 구비된 구동 모터를 동작시켜 셀(112)들 각각의 구동을 시작하도록 제어하고, 구동 모터의 가속을 통해 상품의 쓰러짐을 방지할 수 있다.

다수의 휠소터(110-1,… 각각은 다수의 셀(112)들 중 구동 모터의 속도가 제1 임계값(예를 들어, 10cm/s, 30cm/s, 50cm/s 등) 이하인 제1 셀의 동작을 정지하도록 제어하고, 제1 셀의 저속 재시도 횟수가 제2 임계값(예를 들어, 3회, 5회, 10회 등)을 초과하지 않은 경우 제1 셀의 구동을 다시 시작하도록 제어할 수 있다.

다수의 휠소터(110-1,… 각각은 다수의 셀(112)들 중 구동 모터의 속도가 제1 임계값 초과인 제2 셀의 구동 모터가 과부하 상태인지 판단하고, 제2 셀의 구동 모터가 과부하 상태가 아닌 것으로 판단된 경우 제2 셀의 구동 모터를 정상 동작하도록 제어할 수 있다.

다수의 휠소터(110-1,… 각각은 PLC(120)로부터 수신된 PLC 신호에 기초하여 휠소터 각각의 라인 회전을 제어할 수 있다. 일 실시예에 따르면, 다수의 휠소터(110-1,… 각각은 과부하 재시도 횟수가 제3 임계값(예를 들어, 3회, 5회, 7회 등) 초과인 경우 과부하 장애로 판단하고, 과부하 재시도 횟수가 제3 임계값 이하인 경우 제2 셀 위에 위치한 상품이 비닐 봉지에 포장된 경우 제2 셀 구동 모터를 역방향으로 2회전하도록 제어하고, 제2 셀 위에 위치한 상품이 비닐 봉지에 포장되지 않은 경우 제2 셀 구동 모터를 역방향으로 1회전하도록 제어할 수 있다. 예를 들어, 다수의 휠소터(110-1,… 각각은 셀 위에 위치한 상품의 이미지 촬영을 위한 카메라를 포함할 수 있고, 카메라에 의해 촬영된 휠소터 영상을 이용하여 제2 셀 위에 위치한 상품이 비닐 봉지에 포장되었는지 여부를 판단할 수 있다.

도 3은 일실시예에 따른 상품 이미지의 예시도이다.

도 3에 도시한 바와 같이, PLC(120)는 휠소터(110)의 셀 단위 동작을 제어할 경우 상품의 진행 방향상 선행하는 제1 위치에서 촬영된 상품의 제1 이미지(a)와 제1 위치보다 후행하는 제2 위치에서 촬영된 상품의 제2 이미지(b)를 촬영하도록 다수의 휠소터(110-1,… 각각이 포함하는 카메라를 제어할 수 있다.

PLC(120)는 제1 이미지(a)에서 상품의 제1 외곽선을 추출하고, 제1 외곽선을 포함하는 최소 넓이의 제1 직사각형 영역(FA)을 설정할 수 있다. 일 실시예에 따르면, PLC(120)는 인공지능 모델을 이용하여 제1 이미지에서 상품의 제1 외곽선을 추출할 수 있다.

또한, PLC(120)는 제1 직사각형 영역(FA)의 제1 넓이를 산출할 수 있다. 일 실시예에 따르면, PLC(120)는 제1 직사각형 영역(FA)의 가로 길이와 세로 길이를 곱하여 제1 넓이를 산출할 수 있다.

PLC(120)는 제2 이미지(b)에서 상품의 제2 외곽선을 추출하고, 제2 외곽선을 포함하는 최소 넓이의 제2 직사각형 영역(SA)을 설정할 수 있다. 일 실시예에 따르면, PLC(120)는 인공지능 모델을 이용하여 제2 이미지에서 상품의 제2 외곽선을 추출할 수 있다.

또한, PLC(120)는 제2 직사각형 영역(SA)의 제2 넓이를 산출할 수 있다. 일 실시예에 따르면, PLC(120)는 제2 직사각형 영역(SA)의 가로 길이와 세로 길이를 곱하여 제2 넓이를 산출할 수 있다.

PLC(120)는 제1 넓이 및 제2 넓이를 이용하여 상품의 쓰러짐 여부를 판단할 수 있다. 일 실시예에 따르면, 제1 이미지(a)에서 세로 방향으로 세워져 있던 상품이 제2 이미지(b)에서 쓰러졌을 경우 제2 넓이는 제1 넓이보다 증가하고, PLC(120)는 제2 넓이가 제1 넓이보다 증가한 경우 휠소터를 통하여 운송되던 상품이 쓰러진 것으로 판단할 수 있다.

PLC(120)는 휠소터(110) 및 휠소터(110)를 이용하여 상품을 운송하는 휠소터 영상을 촬영하도록 제어할 수 있다. 일 실시예에 따르면, PLC(120)는 다수의 휠소터(110-1,… 각각이 포함하는 카메라를 제어하여 휠소터(110) 및 휠소터(110)를 이용하여 상품을 운송하는 휠소터 영상을 촬영하도록 할 수 있다.

PLC(120)는 휠소터 영상으로부터 감시 객체를 추출할 수 있다. 이때, 감시 객체는 휠소터 영상에 등장한 상품을 의미할 수 있다. 일실시예에 따르면, PLC(120)는 휠소터 영상에 특정한 상품이 등장한 경우, 휠소터 영상으로부터 등장한 상품을 검출하여, 감시 객체로 추출할 수 있다.

PLC(120)는 휠소터 영상으로부터 감시 객체에 대한 속도 정보를 획득할 수 있다. 일 실시예에 따르면, PLC(120)는 단위 시간 동안 상품이 이동한 거리를 이용하여 감시 객체에 대한 속도 정보를 획득할 수 있다.

PLC(120)는 속도 정보로부터 감시 객체에 대한 위험 상태 정보를 구역마다 생성할 수 있다. 일 실시예에 따르면, PLC(120)는 속도 정보로부터 감시 객체의 속도와 미리 설정된 기준 속도를 비교할 수 있다. 이때, 기준 속도는 실시예에 따라 상이하게 설정될 수 있다.

PLC(120)는 감시 객체의 속도가 기준 속도보다 작은 것으로 판단되면, 감시 객체의 속도가 기준 속도보다 작은 구역의 위험 상태 정보를 정상 상태로 설정할 수 있다. 일 실시예에 따르면, 제1 구역의 감시 객체의 속도가 1m/s이고, 기준 속도가 2m/s인 경우, 제1 구역의 위험 상태 정보를 정상 상태로 설정할 수 있다.

PLC(120)는 감시 객체의 속도가 기준 속도보다 큰 것으로 판단된 구역에서 감시 객체의 소리의 세기와 미리 설정된 기준 세기와 비교할 수 있다. 이때, 기준 세기는 실시예에 따라 상이하게 설정될 수 있다.

PLC(120)는 감시 객체의 소리의 세기가 기준 세기 보다 작은 것으로 판단되면, 장치(30)는 감시 객체의 소리의 세기가 기준 세기 보다 작은 구역의 위험 상태 정보를 경고 상태로 설정할 수 있다. PLC(120)는 감시 객체의 속도가 기준 속도보다 크면서, 감시 객체의 소리의 세기가 기준 세기 보다 작은 구역의 위험 상태 정보를 경고 상태로 설정할 수 있다.

PLC(120)는 감시 객체의 소리의 세기가 기준 세기 보다 큰 것으로 판단되면, 감시 객체의 소리의 세기가 기준 세기 보다 큰 구역의 위험 상태 정보를 위험 상태로 설정할 수 있다. PLC(120)는 감시 객체의 속도가 기준 속도보다 크면서, 감시 객체의 소리의 세기가 기준 세기 보다 큰 구역의 위험 상태 정보를 위험 상태로 설정할 수 있다.

PLC(120)는 정상 상태에 해당하는 구역의 휠소터 영상에 제1 밝기 및 제1 채도를 포함하는 제1 스타일을 적용하고, 제1 스타일이 적용된 휠소터 영상을 관리자 단말로 전송할 수 있다.

PLC(120)는 경고 상태에 해당하는 구역의 휠소터 영상에 제2 밝기 및 제2 채도를 포함하는 제2 스타일을 적용하고, 제2 스타일이 적용된 휠소터 영상을 관리자 단말로 전송할 수 있다.

PLC(120)는 위험 상태에 해당하는 구역의 휠소터 영상에 제3 밝기 및 제3 채도를 포함하는 제3 스타일을 적용하고, 제3 스타일이 적용된 휠소터 영상을 관리자 단말로 전송할 수 있다.

도 4는 일실시예에 따른 PLC를 설명하기 위한 도면이다.

도 4에 도시한 바와 같이, PLC(120)는 하나 이상의 프로세서(122), 하나 이상의 메모리(124) 및/또는 송수신기(126)를 포함할 수 있다. 일 실시예로서, PLC(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 PLC(120)에 추가될 수 있다. 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. PLC(120) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고받을 수 있다.

하나 이상의 프로세서(122)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(122)에 연결된 서버(120)의 적어도 하나의 구성요소를 제어할 수 있다. 또한, 프로세서(122)는 본 발명과 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한, 프로세서(122)는 데이터 등을 하나 이상의 메모리(124)로부터 로드하거나, 하나 이상의 메모리(124)에 저장할 수 있다.

하나 이상의 프로세서(122)는, 송수신기(126)를 통해서 다수의 휠소터(110-1,… 중 어느 하나의 휠소터(예를 들어, 110-1)로부터 휠소터 영상을 수신할 수 있다. 일 실시예에 따르면, 상품의 진행 방향상 선행하는 제1 위치에서 촬영된 상품의 제1 이미지와 제1 위치보다 후행하는 제2 위치에서 촬영된 상품의 제2 이미지를 촬영한 휠소터 영상을 수신할 수 있다.

하나 이상의 프로세서(122)는, 제1 이미지에서 상품의 제1 외곽선을 추출하고, 제1 외곽선을 포함하는 최소 넓이의 제1 직사각형 영역을 설정할 수 있다. 일 실시예에 따르면, 프로세서(122)는 제1 이미지(a)에서 상품의 제1 외곽선을 추출하고, 제1 외곽선을 포함하는 최소 넓이의 제1 직사각형 영역(FA)을 설정할 수 있다. 예를 들어, 프로세서(122)는 인공지능 모델을 이용하여 제1 이미지에서 상품의 제1 외곽선을 추출할 수 있다. 일 실시예에 따르면, 프로세서(122)는 휠소터(110-1)로부터 수신된 휠소터 영상으로부터 딥러닝(Deep Learning)과 같은 기계 학습 알고리즘을 이용하여 제1 이미지에서 상품의 제1 외곽선을 추출할 수 있다.

하나 이상의 프로세서(122)는, 제1 직사각형 영역(FA)의 제1 넓이를 산출할 수 있다. 일 실시예에 따르면, 프로세서(122)는 제1 직사각형 영역(FA)의 가로 길이와 세로 길이를 곱하여 제1 넓이를 산출할 수 있다.

하나 이상의 프로세서(122)는, 제2 이미지(b)에서 상품의 제2 외곽선을 추출하고, 제2 외곽선을 포함하는 최소 넓이의 제2 직사각형 영역(SA)을 설정할 수 있다. 일 실시예에 따르면, 프로세서(122)는 인공지능 모델을 이용하여 제2 이미지에서 상품의 제2 외곽선을 추출할 수 있다. 일 실시예에 따르면, 프로세서(122)는 휠소터(110-1)로부터 수신된 휠소터 영상으로부터 딥러닝과 같은 기계 학습 알고리즘을 이용하여 제2 이미지에서 상품의 제2 외곽선을 추출할 수 있다.

하나 이상의 프로세서(122)는, 제2 직사각형 영역(SA)의 제2 넓이를 산출할 수 있다. 일 실시예에 따르면, 프로세서(122)는 제2 직사각형 영역(SA)의 가로 길이와 세로 길이를 곱하여 제2 넓이를 산출할 수 있다.

하나 이상의 프로세서(122)는, 제1 넓이 및 제2 넓이를 이용하여 상품의 쓰러짐 여부를 판단할 수 있다. 일 실시예에 따르면, 제1 이미지(a)에서 세로 방향으로 세워져 있던 상품이 제2 이미지(b)에서 쓰러졌을 경우 제2 넓이는 제1 넓이보다 증가하고, 프로세서(122)는 제2 넓이가 제1 넓이보다 증가한 경우 휠소터를 통하여 운송되던 상품이 쓰러진 것으로 판단할 수 있다.

하나 이상의 메모리(124)는 다양한 데이터를 저장할 수 있다. 메모리(124)에 저장되는 데이터는, PLC(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 메모리(124)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 발명에서, 명령 내지 프로그램은 메모리(124)에 저장되는 소프트웨어로서, PLC(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 PLC(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.

하나 이상의 메모리(124)는 상술한 다수의 휠소터(110-1,…에서 촬영된 휠소터 영상, 제1 이미지, 제2 이미지 및 PLC(120)에서 형성된 PLC 신호, 구동 시작 명령 등을 저장할 수 있다. 또한, 하나 이상의 메모리(124)는, 하나 이상의 프로세서(122)에 의한 실행 시, 하나 이상의 프로세서(122)가 연산을 수행하도록 하는 명령들을 저장할 수 있다.

일 실시예로서, PLC(120)는 송수신기(126)를 더 포함할 수 있다. 송수신기(126)는, 다수의 휠소터(110-1,…PLC(120), 데이터베이스(130) 및/또는 기타 다른 장치 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 eMBB(enhanced Mobile Broadband), URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(long-term evolution), LTE-A(LTE Advance), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless Broadband), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수 있다.

일 실시예로서, 하나 이상의 프로세서(122)는 송수신기(126)를 제어하여 다수의 휠소터(110-1,… 및 데이터베이스(130)로부터 정보를 획득할 수 있다. 다수의 휠소터(110-1,… 및 데이터베이스(130)로부터 획득된 정보는 하나 이상의 메모리(124)에 저장될 수 있다.

일 실시예로서, PLC(120)는 다양한 형태의 장치가 될 수 있다. 예를 들어, PLC(120)는 휴대용 통신 장치, 컴퓨터 장치, 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 발명의 PLC(120)는 전술한 장치들에 한정되지 않는다.

본 발명에 따른 PLC(120)의 다양한 실시예들은 서로 조합될 수 있다. 각 실시예들은 경우의 수에 따라 조합될 수 있으며, 조합되어 만들어진 PLC(120)의 실시예 역시 본 발명의 범위에 속한다. 또한 전술한 본 발명에 따른 PLC(120)의 내/외부 구성 요소들은 실시예에 따라 추가, 변경, 대체 또는 삭제될 수 있다. 또한 전술한 PLC (120)의 내/외부 구성 요소들은 하드웨어 컴포넌트로 구현될 수 있다.

도 5는 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.

도 5에 도시한 바와 같이, 학습 장치는 다수의 휠소터(110-1,…로부터 수신된 제1 및 제2 이미지에서 상품의 제1 및 제2 외곽선을 추출하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 PLC(120)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.

뉴럴 네트워크(123)는 트레이닝 샘플들이 입력되는 입력 레이어(121)와 트레이닝 출력들을 출력하는 출력 레이어(125)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 제1 레이블들은 제1 이미지 정보들에 대응하는 제1 외곽선 정보에 기초하여 정의되고, 제2 레이블들은 제2 이미지 정보들에 대응하는 제2 외곽선 정보에 기초하여 정의될 수 있다. 뉴럴 네트워크(123)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.

학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(123) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.

학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크(123) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일 실시예에 따르면, 학습 장치는 트레이닝 이미지 정보들에 대응하는 트레이닝 외곽선 정보들인 제1 레이블들을 획득하고, 트레이닝 이미지 정보들을 제1 뉴럴 네트워크로 적용하여, 트레이닝 이미지 정보들에 대응하는 트레이닝 출력들을 생성하며, 트레이닝 출력들, 제1 레이블들에 기초하여, 제1 뉴럴 네트워크를 학습시킬 수 있다.

일 실시예에 따르면, 학습 장치는 트레이닝 이미지 정보들의 구성 특징들, 배경 특징들, 색체 특징들 및 패턴 특징들에 기초하여 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.

일 실시예에 따르면, 학습 장치는 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(123)의 외곽선 추출 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제1 뉴럴 네트워크를 이용하여 제1 및 제2 이미지로부터 제1 및 제2 외곽선을 추출할 수 있다.

도 6은 일실시예에 따른 물류 분류 자동화를 위한 제어 방법의 흐름도이다.

도 6의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.

도 6에 도시한 바와 같이, 단계(S610)에서, PLC 신호가 수신된다. 예를 들어, 도 1 내지 도 5를 참조하면, 물류 분류 자동화를 위한 제어 시스템(100)의 다수의 휠소터(110-1,… 각각은 PLC(120)로부터 PLC 신호를 수신할 수 있다.

단계(S620)에서, 휠소터의 셀 단위 동작이 제어된다. 예를 들어, 도 1 내지 도 5를 참조하면, 물류 분류 자동화를 위한 제어 시스템(100)의 다수의 휠소터(110-1,… 각각은 PLC(120)로부터 수신한 PLC 신호에 기초하여 휠소터(110)의 셀(112) 단위 동작을 제어할 수 있다.

단계(S630)에서, 휠소터의 라인 회전이 제어된다. 예를 들어, 도 1 내지 도 5를 참조하면, 물류 분류 자동화를 위한 제어 시스템(100)의 다수의 휠소터(110-1,… 각각은 PLC(120)로부터 수신한 PLC 신호에 기초하여 휠소터(110)의 라인(114) 회전을 제어할 수 있다.

도 7은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(501)는 프로세서(502) 및 메모리(503)를 포함한다. 일실시예에 따른 장치(501)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 5를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 5를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(503)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(503)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(502)는 프로그램을 실행하고, 장치(501)를 제어할 수 있다. 프로세서(502)에 의하여 실행되는 프로그램의 코드는 메모리(503)에 저장될 수 있다. 장치(501)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

1. 다수의 셀(Cells) 및 다수의 라인(Lines)을 포함하는 휠소터(Wheel Sorter)에서의 물류 분류 자동화를 위한 제어 방법으로서,
   PLC(Programmable Logic Controller) 신호를 수신하는 단계;
   상기 PLC 신호에 기초하여 상기 휠소터의 셀 단위 동작을 제어하는 단계; 및
   상기 PLC 신호에 기초하여 상기 휠소터의 라인 회전을 제어하는 단계를 포함하되,
   상기 셀 단위 동작을 제어하는 단계는,
   구동 시작 명령을 수신하는 단계;
   상기 구동 시작 명령에 기초하여 구동 파라미터를 재설정하는 단계;
   상기 다수의 셀들 각각의 구동을 시작하도록 제어하는 단계;
   상기 다수의 셀들 각각의 가속 제어를 수행하는 단계;
   상기 다수의 셀들 중 구동 모터의 속도가 제1 임계값 이하인 제1 셀의 동작을 정지하도록 제어하는 단계;
   상기 제1 셀의 저속 재시도 횟수가 제2 임계값을 초과하지 않은 경우 상기 제1 셀의 구동을 다시 시작하도록 제어하는 단계;
   상기 다수의 셀들 중 구동 모터의 속도가 상기 제1 임계값 초과인 제2 셀의 구동 모터가 과부하 상태인지 판단하는 단계; 및
   상기 제2 셀의 구동 모터가 과부하 상태가 아닌 것으로 판단된 경우 상기 제2 셀의 구동 모터를 정상 동작하도록 제어하는 단계를 포함하는,
   물류 분류 자동화를 위한 제어 방법.
2. 삭제
3. 제1항에 있어서,
   상기 제2 셀 구동 모터가 과부하 상태인지 판단하는 단계는,
   과부하 재시도 횟수가 제3 임계값 초과인 경우 과부하 장애로 판단하는 단계; 및
   상기 과부하 재시도 횟수가 상기 제3 임계값 이하인 경우 상기 제2 셀 위에 위치한 상품이 비닐 봉지에 포장된 경우 상기 제2 셀 구동 모터를 역방향으로 2회전하도록 제어하고, 상기 제2 셀 위에 위치한 상품이 비닐 봉지에 포장되지 않은 경우 상기 제2 셀 구동 모터를 역방향으로 1회전하도록 제어하는 단계를 포함하는,
   물류 분류 자동화를 위한 제어 방법.

Images