KR102572411B1 - 인공지능 기반의 물건 보관 시스템, 물건 보관 전략생성 서버 및 방법 - Google Patents
인공지능 기반의 물건 보관 시스템, 물건 보관 전략생성 서버 및 방법 Download PDFInfo
- Publication number
- KR102572411B1 KR102572411B1 KR1020230094026A KR20230094026A KR102572411B1 KR 102572411 B1 KR102572411 B1 KR 102572411B1 KR 1020230094026 A KR1020230094026 A KR 1020230094026A KR 20230094026 A KR20230094026 A KR 20230094026A KR 102572411 B1 KR102572411 B1 KR 102572411B1
- Authority
- KR
- South Korea
- Prior art keywords
- storage
- humidity
- packing box
- vulnerability
- temperature
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims description 27
- 238000012856 packing Methods 0.000 claims abstract description 82
- 238000004806 packaging method and process Methods 0.000 claims abstract description 30
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 abstract description 24
- 238000013136 deep learning model Methods 0.000 abstract description 16
- 238000013528 artificial neural network Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 239000010985 leather Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G06Q50/28—
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
실시예에 따른 인공지능 기반의 물건 보관 전략 생성 서버는 포장 박스 각각에 보관된 물건 이미지 및 포장 박스 없이 보관하는 물건 이미지를 분석하여, 포장 박스에서 보관하는 물건 및 포장 없이 보관하는 물건을 인식하는 인식부; 인식 결과에 따라 물건의 중량, 온도 취약성, 습도 취약성을 포함하는 보관 특성을 딥러닝 모델을 통해 추론하는 추론부; 및 추론된 보관 특성, 물건을 보관하는 보관공간의 크기, 보관공간의 형태, 포장 박스의 크기, 형태, 물건의 크기, 형태 및 보관공간의 영역별 환경정보를 고려하여 포장 박스 및 물건의 최적 적재 위치를 판단하는 판단부; 를 포함한다.
Description
본 개시는 인공지능 기반의 물건 보관 시스템, 물건 보관 전략 생성 서버 및 방법에 관한 것으로 구체적으로, 컨테이너 등의 보관공간에 보관해야 하는 물건의 종류와 온도, 습도 취약성에 따라 물건 별 적재위치를 설정하는 인공지능 기반의 물건 보관 시스템, 서버 및 방법에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
사무실이나 가정집의 이사 시, 고객이 사용하던 다양한 물건이 출발지에서 도착지로 바로 옮겨질 수도 있지만, 도착지에 바로 가지 못하고 보관해야만 하는 경우가 있다. 이 경우, 종래에는 컨테이너에 사무실이나 가정집에서 사용하던 물건을 보관해 왔다. 종래의 보관 서비스는 노지에 쌓여 있는 컨테이너에 물건을 적재하기 때문에, 노지의 온도와 습도가 컨테이너를 통해 물건에 직접적으로 영향을 끼칠 수 있으며, 이에, 온도와 습도에 취약한 물건이 훼손되는 경우가 빈번하다.
특히, 전자제품은 습도가 높은 환경에 장시간 보관하여 고장나는 경우가 많지만, 종래의 물건 보관 업체는 이에 대해 책임지지 않는다. 고객은 이사 시, 전입, 전출일정 및 계약기간에 따라 물건을 반드시 보관해야만 하는 상황이므로, 보관 업체의 취약성을 알더라도 어쩔 수 없이 이용할 수밖에 없다.
또한, 많은 고객들은 주로 가격을 고려하여 업체를 선택하므로, 종래 보관 업체의 서비스의 품질이 낮다. 낮은 서비스 품질로 고객들은 이사나 화물 등을 외부환경에 취약한 컨테이너에 보관하는 경우가 많고, 이로 인해 파손, 훼손, 분실 등의 피해가 많이 발생한다. 그러나 기존 이사 업체들은 이러한 물건 훼손 문제에 대해 책임을 회피하거나 최소화하려는 소극적인 태도를 보인다. 이는 종래 보관 업체의 관행적인 문제이다.
또한, 코로나 팬데믹의 장기화로 재택근무가 늘어남에 따라, 집안이나 오피스에 불필요한 물건을 치우려는 수요가 증가하고 있다. 아울러, 최근에는 업무 공간의 크기를 줄이면서, 장기간 보관해야 하는 서류 등의 사무 용품을 컨테이너에 보관하려는 수요가 늘고 있다.
실시예에 따른 인공지능 기반의 물건 보관 시스템, 물건 보관 전략 생성 서버 및 방법은 컨테이너 등의 보관공간에 보관하는 다양한 물건 각각의 특성을 고려하여, 물건을 포장한 포장 박스와 물건들을 적재하는데 필요한 전략과 계획을 수립한다.
실시예에서는 포장 박스에 담긴 물건의 종류, 온도, 습도 취약성 및 중량을 포함하는 물건 별 보관 특성에 따라 물건의 최적 보관 위치를 딥러닝 모델을 통해 검출한다.
또한, 실시예에서는 다양한 물건 각각은 중량, 습도 또는 온도 취약성이 서로 상이하므로, 보관공간에서 모든 물건이 손상되지 않고 장기간 오래 보관될 수 있도록 하기 위해, 물건 각각의 보관 특성을 고려하여, 물건을 담은 포장 박스의 최적 적재 위치를 추천하거나 지정하는 기술을 제공한다.
또한, 실시예에서는 물건을 보관하는 창고 또는 컨테이너를 포함하는 보관 공간의 온도, 습도 등 환경 정보를 센싱하여, 관리자에게 전달하고, 보관된 물건을 훼손할 수 있는 이상 환경 정보가 센싱되는 경우, 이를 검출하여 관리자에게 전달할 수 있다.
또한, 실시예에서는 물건의 종류에 따라 온도와 습도를 자동 제어하고, 전류 모니터링을 통해, 화재 등 위험상황 발생 예측을 수행하고, 위험상황 발생 가능성이 일정 수준을 초과하는 경우 이를 관리자에게 알릴 수 있도록 한다.
또한, 실시예에서는 적어도 하나의 딥러닝 모델과 연동하여 물건 및 포장 박스의 최적 적재 위치를 판단하고, 보관 공간의 온도, 습도를 제어하고, 훼손된 물건이 발생한 경우, 훼손된 물건의 적재위치 및 환경을 분석하여 물건 훼손 원인을 파악할 수 있도록 한다.
실시예에 따른 인공지능 기반의 물건 보관 전략 생성 서버는 적어도 하나의 명령어를 저장하는 메모리 및 프로세서가 포함되며, 상기 적어도 하나의 명령어가 프로세서에 의해 실행됨으로써, 포장 박스로 포장될 포장 물건의 이미지 및 포장 박스로 포장되지는 않는 비포장 물건의 이미지를 이용하여서, 상기 포장 물건 및 상기 비포장 물건의 종류가 인식되고, 인식 결과를 이용하여서 상기 포장 물건 및 비포장 물건 각각의 중량, 온도 취약성 및 습도 취약성 중 적어도 하나를 포함하는 보관 특성이 추론되며, 추론된 보관 특성, 상기 포장 박스와 상기 비포장 물건을 보관하기 위한 보관공간의 크기, 상기 보관공간의 형태, 포장 박스의 크기 또는 형태, 상기 비포장 물건의 크기 또는 형태 및 상기 보관공간의 영역별 환경정보 중 적어도 하나에 기초하여, 상기 포장 박스 및 상기 비포장 물건의 적재 위치가 설정된다.
이상에서와 같은 인공지능 기반의 물건 보관 시스템, 물건 보관 전략 생성 서버 및 방법은 물건 종류와 온도, 습도 취약성 및 중량에 따라 물건의 최적 보관 위치를 검출하여 알림으로써, 이삿짐 등 고객의 물건 보관 시 훼손 및 파손을 줄일 수 있다.
또한, 실시예에서는 물건을 보관하는 창고나 컨테이너의 온도, 습도를 자동 제어하여, 습도 등 환경에 의해 보관하는 물건이 훼손되는 것을 막을 수 있다.
또한, 실시예에서는 물건을 보관하는 창고나 컨테이너의 온도, 습도, 전류, 등을 모니터링하고, 이상 정보 센싱 시 이를 관리자에게 알림으로써, 보관되는 물건을 안전하게 보관할 수 있도록 한다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다
도 1은 실시예에 따른 인공지능 기반의 물건 보관 시스템 구성을 나타낸 도면
도 2는 실시예에 따른 인공지능 기반의 물건 보관 전략 생성 서버의 데이터 처리 구성을 나타낸 도면
도 3은 실시예에 따른 인공지능 기반의 물건 보관 전략 생성 서버의 데이터 처리 과정을 나타낸 도면
도 2는 실시예에 따른 인공지능 기반의 물건 보관 전략 생성 서버의 데이터 처리 구성을 나타낸 도면
도 3은 실시예에 따른 인공지능 기반의 물건 보관 전략 생성 서버의 데이터 처리 과정을 나타낸 도면
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 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.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현되어도 되고, 2개 이상의 유닛이 1개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
이하, 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 실시예에 따른 인공지능 기반의 물건 보관 시스템 구성을 나타낸 도면이다.
도 1을 참조하면, 실시예에 따른 인공지능 기반의 물건 보관 시스템은 사용자 단말(100), 물건 보관 전략 생성 서버(200), 물건 보관 공간(300) 및 관리자 단말(400)을 포함하여 구성될 수 있다.
실시예에서 사용자 단말(100)은 물건 보관 서비스를 신청한 고객 단말 및 물건을 포장하는 직원 단말 및 작업자 단말 중 적어도 하나를 포함할 수 있다. 실시예에서 사용자 단말(100)은 포장 박스를 닫기 전, 포장 박스의 입구 또는 포장 박스에 담긴 물건(이하, 포장 물건이라고 지칭될 수 있다)을 촬영한 물건 이미지를 생성한다. 또한, 실시예에서 사용자 단말(100)은 포장 박스에 담기지 않는 냉장고 등 대형 물건(이하, 비포장 물건이라고 지칭될 수 있다. 아울러, 이러한 비포장 물건은 랩 등에 의해 표면이 보호되도록 포장될 수는 있다)의 이미지를 생성하고, 물건 이미지를 서버(200)로 전송한다.
실시예에서는 물건 보관을 의뢰한 고객, 이삿짐 센터 직원 또는 보관 업체 직원을 포함하는 사용자 단말(100)에서 서버(200)에 접속하고, 사용자 단말(100)에서 소정의 앱 또는 소프트웨어가 구동된다. 이러한 앱 또는 소프트웨어는 챗봇일 수 있으며, 다만 이에 한정되는 것은 아니다. 실시예에서는 챗봇은 사용자 단말(100)로 포장 박스에 물건들을 넣고 뚜껑을 덮기 전에, 각각의 포장 박스에 어떤 물건들이 담겨 있는지 사진을 찍으라고 요청하고, 해당 사진을 사용자 단말(100)로부터 수집할 수 있다. 또한, 실시예에서는 박스 포장이 되지 않는 물건(냉장고, 세탁기 등)에 대해서는 물건만을 촬영(또는 랩 등에 의해 포장된 상태에서의 물건에 대한 촬영)할 것을 사용자 단말(100)로 요청하고, 촬영된 물건의 이미지를 수집한다. 실시예에서 사용자 단말(100)은 촬영한 여러 장의 물건 이미지를 챗봇 과의 채팅 창에 업로드 하면, 서버(200)는 업로드된 물건 이미지를 수집할 수 있다.
서버(200)는 수집된 물건 이미지를 분석하여, 물건을 인식한다. 구체적으로, 그 물건이 어떤 것인지에 대한 정보, 예컨대 물건의 종류 등이 인식될 수 있다. 또한, 해당 물건에 대한 다양한 특성, 예컨대, 부피, 중량, 습도 취약성, 온도 취약성 또는 형태 등이 인식될 수 있다. 이후, 서버(200)는 보관해야 하는 복수의 물건 각각은 중량, 습도 또는 온도 취약성이 서로 다르므로, 창고, 컨테이너 등의 보관공간에서 물건이 손상되지 않고 장기간 오래 보관될 수 있도록 하기 위해, 물건 각각의 보관 특성을 종합적으로 고려하여 물건을 담은 포장 박스와 물건의 최적 적재 위치 및 적재 순서를 추천하고 지정한다. 실시예에서 서버(200)는 보관 물건 및 포장 박스 각각의 최적 적재 위치 및 적재 순서를 챗봇을 통해 사용자 단말(100)로 제공할 수 있다.
예컨대, 서버(200)는 보관공간(300)의 종류에 따라 포장 박스 및 물건의 무게, 각 포장 박스 및 물건의 온도 취약성, 습도 취약성을 고려하여, 가장 아래에 적재해야 할 물건 또는 포장 박스, 중간에 적재해야 할 물건 또는 포장 박스, 가장 위에 적재해야 할 물건 또는 포장 박스, 각 물건과 포장 박스의 최적 적재 위치를 판단하고, 이에 대한 설명(instruction)을 챗봇을 통해 사용자 단말(100)로 제공할 수 있다.
실시예에서 보관공간(300)은 컨테이너, 창고 등을 포함할 수 있고, 보관공간(300)는 원격으로 온도와 습도 조절이 가능한 보관공간 및 불가능한 보관공간을 포함하고, 이에 한정하지 않는다. 실시예에서 보관공간(300)은 가습기, 제습기, 에어컨, 난방기 등 환경정보를 조정하는 장치를 포함할 수 있다.
실시예에서 서버(200)는 물건이 온도, 습도 조절이 가능한 보관공간(300)에 보관되는 경우, 해당 보관공간(300)의 온도, 습도를 모니터링하고 원격 제어할 수 있다. 또한, 실시예에서 서버(200)는 보관공간(300)에 보관하던 물건 훼손 시 물건 종류에 따라 보상해야 하는 적정 금액을 산출하여, 고객에게 보상을 제공한다. 또한, 실시예에서 서버(200)는 물건 훼손이 발생한 경우, 훼손된 물건의 적재 위치 및 보관환경 분석을 통해 물건 훼손이 발생한 원인을 추론하여 물건 적재 위치 판단 모델의 학습 데이터로 이용할 수 있다.
실시예에서 서버(200)는 서버(200)에서 제공하는 적재 정보제공, 보상 서비스 제공 및 훼손된 물건의 훼손 환경 분석 정보 제공 등 일련의 기능을 챗봇을 통해 사용자 단말(100)로 제공할 수 있고, 실시예에서 적어도 하나의 딥러닝 모델과 연동하여 동작할 수 있다. 실시예에서 서버(200)는 챗봇을 통해 수집된 데이터를 딥러닝 모델에 입력하고, 딥러닝 모델의 출력으로 원하는 데이터를 획득할 수 있다. 또한, 실시예에서 이용하는 딥러닝 모델은 챗봇을 제공하는 모듈을 포함할 수 있다.
관리자 단말(400)은 보관 공간(300)의 모니터링 정보에서 이상 데이터가 검출되는 경우, 이를 알림으로 수신한다. 또한, 관리자 단말(400)은 보관 공간(300)에 설치된 CCTV, 센서 등의 모니터링 장치로부터 센싱되는 데이터를 수신하고 이를 출력할 수 있다.
도 2는 실시예에 따른 인공지능 기반의 챗봇이 탑재된 물건 보관 전략 생성 서버의 데이터 처리 구성을 나타낸 도면이다.
도 2를 참조하면, 실시예에 따른 물건 보관 전략 생성 서버(200)는 수집부(210), 전처리부(220), 인식부(230), 추론부(240), 판단부(250) 및 피드백부(260)를 포함하여 구성될 수 있다. 여기서, 이러한 서버(200)에 포함된 전술한 구성들(210 내지 260) 각각은 도면에는 도시되어 있지 않지만 적어도 하나의 명령어를 저장하는 메모리 및 이러한 적어도 하나의 명령어를 실행 가능한 프로세서에 의해 구현 가능하다.
한편, 본 명세서에서 사용되는 '부' 라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.
수집부(210)는 사용자 단말(100)로부터 포장 박스 각각에 보관된 물건(포장용 물건) 이미지 및 포장 박스 없이 보관하는 물건(비포장 물건) 이미지를 수집한다. 또한, 수집부(200)는 서버(200)에서 사용되는 딥러닝 모델의 학습 데이터를 수집한다. 실시예에서 딥러닝 모델은 텍스트 인식 모델, 이미지 인식 모델, 최적 적재위치 판단 모델, 훼손 원인 분석 모델, 사고 위험 예측 모델 등을 포함할 수 있고, 이에 한정되지 않는다. 실시예에서 이용되는 딥러닝 모델은 딥러닝 뉴럴 네트워크를 학습 데이터 셋으로 학습시켜 구현될 수 있다. 실시예에 따른 딥러닝 뉴럴 네트워크는 DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하고 이에 한정하지 않는다.
전처리부(220)는 수집된 딥러닝 모델의 학습데이터 중 편향성이나 차별성을 가진 데이터를 제거하기 위해, 수집된 학습데이터를 전처리한다. 실시예에서 전처리부(220)는 수집된 데이터를 전처리하여 인공지능 모델 학습에 적합한 형태로 가공한다. 예컨대, 전처리부(220)는 노이즈 제거, 이상치 제거, 결측치 처리 등의 과정을 수행할 수 있다. 또한, 전처리부(220)는 데이터 전처리를 통해 데이터를 정규화하거나, 이상치를 제거하거나, 데이터의 배율 조정 등을 수행하여 모델이 불필요한 패턴을 학습하는 것을 방지할 수 있다.
인식부(230)는 수집된 물건 이미지를 분석하여, 보관공간에 보관하는 물건을 인식한다. 실시예에서 인식부(240)는 포장 박스에서 보관하는 물건 및 포장 없이 보관하는 물건을 모두 인식한다.
실시예에서 인식부(240)는 챗봇을 통해 사용자 단말(100)에서 업로드 된 이미지 각각에 대해 물건 인식용 인공지능 딥러닝 모델을 통한 이미지 인식을 수행한다. 인식부(240)는 이미지 인식 결과에 따라 각각의 포장 박스 내에 어떠한 물건이 있는지, 예컨대 물건의 종류를 인식한다. 실시예에서 인식부(240)는 이미지 인식 결과 물건이 인식이 안되거나 추가 인식이 필요한 경우, 챗봇을 통해, 사용자 단말(100)로 물건 이미지 재전송을 요청하거나 물건에 대한 정보 입력을 요청할 수 있다. 예컨대, 포장 박스 내에 복수 개의 물건이 담겨있는 상황에서, 최상층에 있는 물건에 의해 그보다 아래에 있는 물건이 가려져서, 아래에 있는 물건이 인식되지 않을 수 있다. 이를 위해, 인식부(240)는 최상층에 있어서 인식된 물건을 제외한 나머지 이미지에 대해 인식이 수행되었는데, 물건의 종류가 인식되지 않은 상황에 대한 처리 방안이 설계되어 있을 수 있다. 구체적으로, 최상층에 놓여있어서 인식된 물건을 제외한 나머지 이미지가 입력되었을 때, 인식부(240)에서의 출력이 '물건의 종류가 인식되지 않는다' 또는 사전에 마련된 각각의 카테고리 중 매칭되는 정도의 최대값이 기 설정된 비율(예컨대 30%)이하인 경우, 인식부(240)에서는 물건의 종류가 인식되지 않은 상황으로 처리된다. 이 경우, 챗봇에서는 최상층에 놓여있어서 인식된 물건을 치워서, 그 아래에 있는 물건이 인식될 수 있도록 하라는 instruction이 사용자 단말에게 출력되도록 할 수 있다. 추론부(250)는 포장 박스에서 보관하는 물건 및 포장 없이 보관하는 물건의 인식 결과에 따라 물건의 보관 특성을 추론한다. 실시예에서 보관 특성은 물건을 훼손 없이 보관하기 위한, 물건의 특성 및 환경정보로서, 물건의 종류에 따라 필요한 온도, 습도 등의 환경 정보와, 물건의 중량, 얼마나 깨지기 쉬운지를 나타내는 민감도 등을 포함할 수 있다. 실시예에서 추론부(250)는 보관 특성 추론 모델을 통해, 보관 특성을 추론한다.
실시예에서 특성 추론 모델은 챗봇과 별도로 구성되거나, 챗봇에 포함되어 구성될 수 있고, 특성 추론 모델은 포장 박스 각각의 보관 특성을 추론하거나, 물건 별 보관 특성을 추론한다.
실시예에서 추론부(250)는 포장 박스 별 보관 특성을 추론하는 경우, 각 포장 박스에 내부에 포함되어 있는 모든 물건에 의한 총 중량, 내부에 포함되어 있는 물건 중 가장 습도에 취약한 물건으로 인한 습도 취약성, 내부에 포함되어 있는 물건 중 가장 온도에 취약한 물건으로 인한 온도 취약성을, 각각의 포장 박스 별로 추론한다. 또한, 추론부(250)는 특성 추론 모델을 통해 포장되지 않은 냉장고, 세탁기 등의 물건에 대한 보관 특성 정보를 획득할 수 있다.
실시예에 따른 특성 추론 모델은 중량 추론 모델, 온도 취약성 추론 모델 및 습도 취약성 추론 모델을 포함할 수 있다. 중량 추론 모델은 인식된 물건에 매칭된 중량 데이터를 학습한다. 예컨대, 중량 추론 모델은 입력정보로 각 박스에 대해 물건 인식 모델에서 인식된 물건의 종류를 이용하고, 정답정보로 인식된 물건의 합에 의한 총 중량을 학습하여 포장 박스에 보관되는 물건의 총 중량 및 인식된 물건의 총 중량을 파악할 수 있다.
구체적으로, 중량 추론 모델은 물건 이미지로 냉장고를 인식한 경우, 인식된 냉장고의 모델명과 사이즈에 따라 학습된 중량 정보를 출력할 수 있다. 또한, 중량 추론 모델은 포장 박스에 여러 권의 책이 보관되는 경우, 인식된 책 한권의 무게에 권수를 곱하여 포장 박스의 중량을 산출할 수 있다. 또한, 중량 추론 모델은 포장 박스에 종류가 다른 물건이 담기는 경우, 각 물건의 중량을 모두 합하여 포장 박스의 중량 정보를 출력할 수 있다.
실시예에서 온도 취약성 추론 모델은 물건 별 최적 유지 온도 및 정상 보관을 위한 온도의 최대값, 최소값을 학습한다. 실시예에 온도 취약성 추론 모델은 인식된 물건의 종류를 포함하는 입력데이터 및 물건의 종류 별 최적 유지 온도 범위 및 정상 보관을 위한 온도의 최대값, 최소값을 포함하는 출력데이터를 이용하여 학습할 수 있다. 실시예에서 온도 취약성 추론 모델은 최적 상태 유지 온도 범위가 가장 좁거나, 정상 보관을 위한 온도의 최대값, 최소값이 가장 높거나 낮은 물건을 온도에 가장 취약한 물건으로 추출할 수 있다.
구체적으로 온도 취약성 추론 모델은 전자제품의 정상 보관을 위한 온도의 최대값과 최소값이 각각 60도와 영하20도이고, 목재 가구의 정상보관을 위한 온도의 최대값과 최소값이 각각 45도와 영하 10도인 경우, 목재 가구가 전자제품보다 온도에 취약한 물건인 것으로 판단한다.
또한, 실시예에서 습도 취약성 추론 모델은 물건 별 최적 유지 습도를 학습한다. 예컨대, 습도 취약성 모델은 입력데이터와 출력데이터를 이용하여 학습한다. 실시예에서 습도 취약성 추론 모델의 입력데이터는 인식된 물건의 종류를 포함하고, 습도 취약성 모델의 출력 데이터는 물건의 종류 별 최적 습도 범위 및 정상 보관을 위한 습도의 최대값, 최소값을 포함할 수 있다. 실시예에서 습도 취약성 추론 모델은 최적 상태 유지 습도 범위가 가장 좁거나 정상 보관을 위한 습도의 최대값 최소값이 가장 높거나 낮은 물건을 습도에 가장 취약한 물건으로 추출할 수 있다.
구체적으로 습도 취약성 추론 모델은 가죽제품의 정상 보관을 위한 습도 범위가 15퍼센트 이상 40퍼센트 미만이고, 목재 가구의 정상 보관을 위한 습도 범위가 10퍼센트 이상 50 퍼센트 미만이고, 전자 제품의 정상보관을 위한 습도 범위가 5퍼센트 이상 60 퍼센트 미만인 경우, 가죽 제품을 습도에 가장 취약한 물건으로 판단한다.
판단부(260)는 추론된 보관 특성에 따라 포장 박스 및 물건의 최적 적재 위치를 판단한다. 실시예에서 판단부(260)는 인공지능 기반의 적재 위치 판단 모델을 통해, 포장 박스 및 물건의 적재 위치를 결정할 수 있다. 또한, 실시예에서 판단부(260)는 포장 박스 및 물건의 보관 특성에 따라 미리 설정된 적재 기준을 이용하여 포장 박스 및 물건의 적재 위치를 결정할 수 있다. 실시예에서 물건 적재 기준은 물건을 보관공간에 적재할 때 따르는 기준으로 물체의 안정성, 공간 활용성 등을 고려하여 미리 설정될 수 있다. 예컨대, 판단부(260)는 적재 기준으로 안정성을 고려하여 적재 시 넘어지거나 무너지지 않도록 안정하게 배치하기 위해, 크고 무거운 물체는 아래에 놓고 작고 가벼운 물체는 위에 올리도록 한다. 이를 위해, 판단부(260)는 물체의 무게, 형태, 센터 오브 그라비티(center of gravity) 등을 고려하여 물건 별 적재 위치를 판단한다.
또한, 실시예에서 판단부(260)는 적재 공간을 효율적으로 활용하는 공간 활용성에 따라 물건의 적재 위치를 결정할 수 있다. 실시예에서 판단부(260)는 빈 공간을 최소화하고 가능한 한 많은 물체를 적재할 수 있도록 배치하기 위해, 물체의 크기, 모양, 적재 방향 등을 고려하여 공간을 채우는 최적의 배치를 산출한다.
실시예에서 판단부(260)는 입력 데이터와 출력데이터로 적재 위치 판단 모델을 학습시킨다. 실시예에서 적재 위치 판단 모델의 학습을 위한 입력 데이터는 보관 특성, 보관 공간의 영역별 특성 및 물건의 중량 별 보관 규칙, 적재 기준 등을 포함할 수 있다. 실시예에서 보관 공간의 영역별 특성은 보관공간의 영역 별 크기, 형태, 평균 온도, 평균 습도 등을 포함할 수 있다. 또한, 실시예에서 적재 위치 판단 모델의 학습 데이터 중 출력 데이터는 포장 박스 및 물건의 적재 위치를 포함한다. 실시예에서 적재 위치 판단 모델의 학습을 위한 입력데이터와 출력데이터는 택배 사, 이삿짐 회사 및 물건 보관 서비스를 제공하는 회사의 서버로부터 수집하거나, 공개 데이터 셋을 통해 수집할 수 있고, 이에 한정하지 않는다.
또한, 실시예에서 판단부(260)는 적재 위치 판단 모델의 학습 데이터로 정상 보관 데이터를 이용할 수 있다. 실시예에서 정상 보관 데이터는 보관 공간에서 물건의 훼손 없이 보관을 완료한 경우의 물건과 각 물건의 적재 위치 정보이다. 실시예에서 판단부(260)는 외부 서버 및 공개 데이터셋으로부터 정상 보관 데이터를 수집하고, 웹에서 정상 보관 데이터를 크롤링하여 적재 위치 판단 모델의 학습 데이터로 이용할 수 있다.
또한, 실시예에서 판단부(260)는 적재 위치 판단 모델의 학습을 위해, 다양한 적재 상황에 대한 데이터를 수집한다. 적대 상황에 대한 데이터는 복수 개의 포장 박스와 포장 안된 물건의 조합에 대한 정보를 포함한다. 판단부(260)는 적재 상황에 대한 데이터 수집을 통해 각각의 포장 박스와 물건에 대한 특성, 보관용 창고의 내부 공간 크기 또는 형태(shape) 정보를 포함하는 데이터셋을 구축한다. 이후, 판단부(260)는 수집된 다양한 적재 상황에 대한 데이터를 학습 가능한 형태로 변환하여 입력과 출력 데이터를 매칭시킨다. 이후, 판단부(260)는 학습에 사용할 인공 신경망 모델을 설계한다. 예컨대, 판단부(260)는 최적 적재위치 판단 모델의 입력으로 포장 박스와 물건의 특성, 보관용 창고의 내부 공간 정보를 받아들여 적재 위치를 예측하는 출력을 생성하는 구조로 인공 신경망 모델을 설계한다. 이후, 판단부(260)는 전처리한 데이터셋을 학습 데이터와 검증 데이터로 구분한다. 학습 데이터는 데이터 셋의 주요 부분을 차지하고, 검증 데이터는 학습 중 모델의 성능을 평가하는 데 사용하는 데이터이다. 실시예에서 판단부(260)는 학습 데이터를 사용하여 최적 적재 위치 판단 모델을 학습시킨다. 이를 위해 판단부(260)는 입력 데이터와 예측된 적재 위치 사이의 오차를 최소화하는 방향으로 모델의 가중치 및 편향을 조정하는 최적화 알고리즘을 사용한다. 실시예에서 판단부(260)는 손실 함수를 정의하고, 이를 최소화하는 방향으로 모델을 업데이트한다. 또한, 판단부(260)는 학습된 모델을 검증 데이터를 사용하여 평가한다. 실시예에서 판단부(260)는 모델의 성능을 평가하고 필요한 경우 모델을 개선하기 위해 하이퍼파라미터를 조정하거나 추가적인 데이터를 수집할 수 있다. 실시예에서 판단부(260)는 모델 학습과 평가과정을 반복하여 최적 적재 위치 판단 모델을 학습시킴으로써, 입력 데이터로부터 적절한 적재 위치를 예측하는 적재 위치 결정 모델을 구현할 수 있다.
또한, 실시예에서 판단부(260)는 중량과 부피가 일정 수준을 초과하는 포장 박스 및 물건의 적재 높이는 일정 수준 미만으로 결정하고, 습도 취약성이 높은 물건이 적재 위치는 보관 공간에서 습도가 가장 낮은 영역으로 판단할 수 있다. 실시예에서 적재 위치 판단 모델은 물건 및 포장 박스의 중량과 부피를 가장 먼저 고려하여 적재 위치를 1차 판단한다. 이후, 적재 위치 판단 모델은 포장 박스와 물건의 온도 취약성을 고려하여 물건과 포장 박스의 적재 위치를 2차 판단한다. 실시예에서 2차 판단은 온도 취약성에 따라 1차 판단된 물건과 포장 박스의 적재 위치를 수정하는 것이다. 또한, 적재 위치 판단 모델은 포장 박스와 물건의 습도 취약성을 고려하여 물건과 포장 박스의 적재 위치를 3차 판단한다. 실시예에서 3차 판단은 습도 취약성에 따라 2차 판단된 포장 박스와 물건의 적재 위치를 수정하는 것이다.
또한, 판단부(260)는 물건과 포장 박스를 보관하는 보관 공간의 영역 별 온도, 습도 정보 및 보관 특성에 따라 물건 및 포장 박스의 적재 위치를 판단한다. 이를 위해 판단부(260)는 보관 공간에 설치된 센서로부터 보관 공간이 구획된 영역 별 온도 및 습도 정보를 수집한다. 실시예에서 보관 공간의 영역 별 온도, 습도 정보는 보관 공간에 구성된 다양한 영역의 환경 상태를 나타내는 지표로서, 실시예에서는 보관 공간 영역별 온도, 습도 정보를 통해, 물건과 포장 박스의 적절한 보관 영역을 결정할 수 있다. 실시예에서 판단부(260)는 보관 특성에 따라 물건이 특정 온도 또는 습도 범위에서 보관되어야 하는 경우, 해당 온도 또는 습도와 일치하는 환경 정보가 모니터링 된 보관영역을 선택한다. 구체적으로, 판단부(260)는 가죽 제품 및 목재 가구의 경우, 습도에 민감하므로 습도가 일정 수준 미만인 보관 공간의 특정 영역에 적재되도록 한다.
또한, 실시예에서 판단부(260)는 무게 및 부피가 동일하지만 온도 취약성 및 습도 취약성 중 적어도 하나가 상이한 포장 박스 또는 비포장 물건은, 적재 위치의 설정 시 서로 상이한 높이에 적재되도록 설정한다. 예컨대, 판단부(260)는 무게 및 부피가 동일하지만, 온도 취약성이나 습도 취약성이 서로 상이한 포장 박스나 비포장 물건은, 서로 상이한 높이에 적재되거나 또는 같은 높이더라도 상단에서 보았을 때(top view) 중심으로부터 상이한 거리에 배치될 수 있다. 실시예에서 상이한 거리에 배치되는 것은 포장 박스 또는 비포장 물건이 기준 위치인 중심에 더 가깝거나 또는 더 먼 위치에 배치되는 것을 포함한다.
동일한 영역이라도 높이에 따라 온도와 습도가 달라진다. 구체적으로, 동일한 영역이라도 수증기의 증발 성질에 따라 높이가 높을수록 습도가 높아지게 되므로, 판단부(260)는 무게 및 부피가 동일하지만, 습도 취약성이 높은 포장 박스 또는 비포장 물건을 습도 취약성이 낮은 포장 박스 또는 비포장 물건 보다 낮은 위치에 배치한다. 예컨대, 판단부(260)는 가죽제품과 종이가 들어있는 포장 박스의 무게와 부피가 동일한 경우, 습도 취약성이 더 높은 가죽제품이 담긴 포장 박스를 종이가 담긴 포장 박스보다 더 아래에 배치할 수 있다.
반면, 같은 영역이라도 온도는 높이가 높아지면 낮아지므로, 실시예에서 판단부(260)는 무게 및 부피가 동일하지만, 온도 취약성이 높은 포장 박스 및 비포장 물건은 온도 취약성이 낮은 포장 박스 및 물건보다 높은 위치에 배치할 수 있다.
또한, 판단부(260)는 같은 영역이라도 높이에 따라 온도와 습도가 달라지는 원리에 따라, 무게 및 부피가 동일한 포장 박스 및 비포장 물건의 온도 취약성과 습도 취약성 정도를 모두 고려하여, 무게 및 부피가 동일한 포장 박스 및 비포장 물건의 적재 높이를 다르게 설정할 수 있다.
실시예에서 판단부(260)는 영역 별 환경 정보와 보관 특성을 모두 고려하여 물건과 포장 박스의 적절한 적재 위치를 결정하고, 보관 상황의 변화나 우선순위에 따라 적재 위치를 동적으로 조정할 수도 있다.
또한, 판단부(260)는 보관 공간의 영역 별 온도, 습도가 보관 공간에 보관되는 물건 및 포장 상자의 보관 특성에서 일정 수준 이상 벗어나는 경우, 온도, 습도를 제어한다. 이를 위해, 판단부(260)는 보관 공간의 영역 별 온도와 습도 등의 환경정보를 실시간으로 모니터링한다. 실시예에서 판단부(260)는 물건 및 포장 상자의 보관 특성과 관련된 환경정보 기준을 설정한다. 실시예에서 환경정보 기준은 온도와 습도의 허용 범위로서, 일정 수준 이상 벗어나는 경우를 감지하기 위한 경계값을 포함한다. 예컨대, 보관 공간에 보관된 물건이 특정 온도 또는 습도 범위에서 보관되어야 하는 경우, 해당 온도와 습도에 대한 경계값을 환경정보 기준으로 설정한다. 이후, 판단부(260)는 모니터링 된 환경 정보를 분석하여 경고 또는 알림을 생성한다. 실시예에서 판단부(260)는 온도와 습도가 설정한 경계값을 초과하는 경우, 판단부는 해당 영역에 대한 경고 신호를 생성하고, 이를 관리자 단말로 전송한다. 이를 통해 관리자는 보관 공간의 온도와 습도 문제를 신속하게 인지하여 보관한 물건이 훼손되는 사고를 예방할 수 있다.
또한, 실시예에서 판단부(260)는 경고 알림이 생성된 후, 온도와 습도를 제어하는 프로세스를 시작할 수 있다. 예컨대, 판단부(260)는 보관 공간에 설치된 온도 조절장치, 가습기, 제습기 등을 제어하여 온도와 습도를 조절할 수 있다. 실시예에서 판단부(260)는 인공지능 기반의 제어 알고리즘을 통해, 보관 공간의 환경 상태와 보관 특성을 고려하여 보관공간의 환경 조건을 조절한다.
또한, 실시예에서 판단부(260)는 보관공간에 설치된 CCTV 로부터 수집한 모니터링 정보를 온도 정보와 함께 분석하여 화재 등의 위험상황 발생 가능성을 산출할 수 있다. 실시예에서 판단부(260)는 위험 상황 예측 모델에 모니터링 정보와 온도 정보를 입력하여 위험상황 발생 가능성을 획득하고 획득한 위험상황 발생 가능성이 일정 수치를 초과하는 경우, 이를 관리자 단말로 전송할 수 있다.
실시예에서 판단부(260)는 보관한 물건이 훼손된 경우, 훼손된 물건이 적재되었던 적재 위치의 환경정보를 분석한다. 이를 위해 판단부(260)는 보관된 물건 중 훼손된 물건을 확인하기 위해, 비전 검사, 센서 데이터 분석 과정을 통해 보관된 물건의 훼손 여부를 감지한다. 구체적으로 판단부(260)는 물건이 깨져서 파손된 경우, 물체의 형태나 외관에 변형이 있는 경우 등을 훼손된 물건으로 확인할 수 있다. 이후, 판단부(260)는 훼손된 물건의 적재 환경정보를 수집한다. 예컨대, 판단부(260)는 훼손된 물건이 적재되었던 적재 위치의 온도, 습도, 충격 등을 적재 위치의 환경정보로 수집하고 수집된 환경정보를 분석한다. 이후, 판단부(260)는 물건의 훼손 원인이 충격, 압력, 온도 변화, 습도 변화 등의 환경 정보와 관련되거나, 적재 위치의 불안정성 등과 관련이 있는지 확인한다. 실시예에서 판단부(260)는 환경정보에서 일정 수준 이상의 충격, 압력, 온도변화, 습도 변화 등을 포함하는 이상 이벤트가 검출된 경우, 검출된 이상 이벤트를 물건의 훼손과 연관되었다고 판단할 수 있다.
이후 판단부(260)는 훼손된 물건의 가치에 따른 보상금액 산출하고, 적재 환경 분석을 통해 훼손 원인 파악하여 적재 위치 판단 모델을 재학습 한다.
실시예에서 판단부(260)는 훼손된 물건의 시장 가치, 대체 비용, 복구 비용 등을 고려하여, 훼손된 물건의 가치를 평가하고, 평가 결과에 따라 훼손된 물건에 대한 보상금액을 산출한다. 실시예에서 가치 평가는 인공신경망 모델인 가치 평가 모델을 통해 수행하고, 보험 정책이나 기업 내부 정책을 가치 평가 모델에 추가 정보로 입력할 수 있다.
실시예에서 판단부(260)는 훼손 원인과 보험정책 및 기업의 내부 정책에 따라 보상금액을 조정한다. 예컨대, 판단부(260)는 적재 위치의 불안정성으로 인한 훼손이 확인되면, 해당 원인을 고려하여 보상금액을 상향 조정하고, 지진, 진동 등의 외부 요인이 물건 훼손의 주요 원인으로 파악된 경우, 보상 금액을 하향 조정할 수 있다.
또한, 실시예에서 판단부(260)는 훼손된 물건과 훼손된 물건의 적재 환경 데이터를 수집하여 적재 위치 판단 모델을 재학습 한다. 실시예에서 훼손된 물건의 적재 환경 데이터는 훼손 여부, 적재 위치, 환경 데이터, 훼손 원인 등을 포함한다.
또한, 판단부(260)는 보관해야 하는 포장 박스 및 물건 각각의 부피와 총 부피를 인식하여, 포장 박스 및 물건의 적재 순서를 산출한다. 이를 위해, 실시예에서 판단부(260)는 포장 박스의 크기를 측정하여 부피를 계산한다. 판단부(260)는 포장 박스의 길이, 너비, 높이 등의 정보를 수집하고 이를 곱하여 부피를 계산한다. 또한, 판단부(260)는 물건의 부피를 인식하기 위해 물건의 형태와 크기를 추출하고 물건의 부피를 계산한다. 이후, 판단부(260)는 산출된 포장 박스 및 물건의 부피에 따라 적재 순서 산출한다. 실시예에서 판단부(260)는 부피를 기반으로 포장 박스와 물건의 적재 순서를 결정할 수 있다. 구체적으로 판단부(260)는 가장 큰 부피를 가진 포장 박스나 물건부터 순서대로 적재하도록 한다. 이는 공간 활용을 극대화하기 위해 큰 부피 물건을 최적으로 배치하기 위함이다.
또한, 실시예에서 판단부(260)는 부피 기반 순서 결정 후, 적재 공간의 활용을 최적화하기 위해 인공신경망 모델인 공간 최적화 모델을 이용하여, 적재 위치와 방향을 조정할 수 있다. 실시예에서 판단부(260)는 공간 최적화 모델을 통해, 물건과 포장 박스의 형태, 안정성, 보관특성 등을 고려하여 보관 공간의 형태와 크기에 따른 최적의 배치를 검출한다. 이후, 판단부(260)는 적재 순서를 결정한 결과를 사용자 단말로 전송한다. 적재 순서는 포장 박스와 물건의 순서를 나열하여 적재 순서를 시각적으로 나타낸 것으로, 이를 통해 작업자가 적재 작업을 수행할 때 순서에 따라 적재 위치를 파악할 수 있도록 한다.
피드백부(270)는 학습된 인공신경망 모델 및 딥러닝 모델을 평가한다. 실시예에서 피드백부(270)는 정확도(Accuracy), 정밀도 (Precision) 및 재현율 (Recall) 중 적어도 하나를 통해, 인공신경망 모델을 평가할 수 있다. 정확도는 인공 신경망 모델이 예측한 결과가 실제 결과와 얼마나 일치하는지를 측정하는 지표이다. 정밀도는 양성으로 예측한 결과 중 실제 양성인 비율을 측정하는 지표이다. 재현율은 실제 양성 중에서 모델이 양성으로 예측한 비율을 측정하는 지표이다. 실시예에서 피드백부(270)는 인공신경망 모델의 정확도, 정밀도 및 재현율을 산출하고, 산출된 지표 중 적어도 하나를 기반으로 인공신경망 모델을 평가할 수 있다.
실시예에서 피드백부(270)는 인공신경망 모델의 정확도를 평가 데이터셋을 사용하여 측정할 수 있다. 평가 데이터셋은 모델이 학습에 사용하지 않은 데이터로 구성되어 있으며, 모델의 성능을 객관적으로 평가하는 데 사용된다. 실시예에서 피드백부(270)는 평가 데이터셋을 사용하여 인공신경망 모델을 실행하고, 각 입력 데이터에 대한 인공신경망 모델의 예측 값과 해당 데이터의 실제 정답 값을 비교한다. 이후, 비교 결과를 통해, 모델이 얼마나 정확하게 예측하는지를 측정할 수 있다. 예컨대, 피드백부(270)에서 정확도는 전체 데이터 중에서 모델이 맞게 예측한 데이터의 비율로 계산될 수 있다.
또한, 피드백부(270)는 정밀도와 재현율의 조화 평균으로 계산되는 지표인 정밀도와 재현율의 균형을 나타내는 지표인 F1 스코어(F1 Score)를 산출하고, 산출된 F1 스코어를 기반으로 인공신경망 모델을 평가하고, 분류 모델의 성능을 그래프로 시각화한 지표인 AUC-ROC 곡선을 생성하고, 생성된 AUC-ROC 곡선을 기반으로 인공신경망 모델을 평가할 수 있다. 실시예에서 피드백부(270)는 ROC 곡선 아래 면적 (AUC)이 1에 가까울수록 모델의 성능이 좋은 것으로 평가할 수 있다.
또한, 피드백부(270)는 인공신경망 모델의 해석 가능성을 평가할 수 있다. 실시예에서 피드백부(270)는 SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations) 방법을 통해, 인공신경망 모델의 해석 가능성을 평가한다. SHAP (SHapley Additive exPlanations)는 모델이 예측한 결과에 대한 해석을 제공하는 라이브러리로서, 피드백부(270)는 라이브러리에서 SHAP 값을 추출한다. 실시예에서 피드백부(270)는 SHAP값 추출을 통해, 모델에 입력된 특성정보가 모델 예측에 얼마나 영향을 미쳤는지를 예측할 수 있다.
LIME (Local Interpretable Model-agnostic Explanations) 방법은 개별 샘플에 대한 모델의 예측을 설명하는 방법이다. 실시예에서 피드백부(270)는 LIME 방법을 통해, 샘플을 해석 가능한 모델로 근사하여 각 특성정보의 중요도를 계산한다. 또한, 피드백부(270)는 모델의 내부 가중치와 편향 값을 분석하여 각 특성 변수의 영향력을 추정할 수 있다.
피드백부(270)는 인공신경망 모델의 공정성이 낮거나 차별성을 보이는 경우, 개선 작업을 수행한다. 실시예에서 피드백부(270)는 특정 집단의 데이터가 일정수준 이상 부족한 경우 상기 특정 집단을 대표하는 데이터를 추가로 수집하고, 데이터 전처리 과정을 수행한다. 실시예에서 피드백부(270)는 데이터 정규화, 이상치 제거, 데이터의 배율 조정을 포함하는 데이터 전처리 과정을 수행하여 모델이 불필요한 패턴을 학습하는 것을 방지한다. 또한, 실시예에서 피드백부(270)는 모델 학습 알고리즘에 특정 조건을 추가하여 차별성을 방지하거나, 공정성을 보장할 수 있다.
실시예에서 피드백부(270)는 공정성 보장을 위해, 혼돈행렬(Confusion Matrix) 분석을 통해, 모델의 예측 결과를 실제 결과와 비교하여 모델의 성능을 평가한다. 혼돈 행렬(confusion matrix)은 지도 학습에서 모델의 분류 성능을 평가하는 행렬이다. 혼돈 행렬은 모델이 예측한 결과와 실제 결과를 비교하여 분류 결과를 표시한다. 실시예에서 피드백부(270)는 혼돈행렬 분석을 통해, 각각의 클래스에 대한 정확도와 오분류율을 계산하여 모델의 성능을 평가할 수 있다.
또한, 실시예에서 피드백부(270)는 학습데이터에 대한 시각화 분석을 통해 데이터의 분포를 확인할 수 있도록 한다. 예를 들어, 이미지 데이터의 경우 각 클래스에 대한 이미지 샘플을 시각화 하여 데이터의 다양성과 공정성을 평가할 수 있다.
이하에서는 인공지능 기반의 물건 보관 전략 생성 방법에 대해서 차례로 설명한다. 실시예에 따른 인공지능 기반의 물건 보관 전략 생성 방법의 작용(기능)은 시스템의 기능과 본질적으로 같은 것이므로 도 1 및 도 2와 중복되는 설명은 생략하도록 한다.
도 3은 실시예에 따른 인공지능 기반의 물건 보관 전략 생성 서버의 데이터 처리 과정을 나타낸 도면이다.
도 3을 참조하면, S110 단계에서는 인식부에서 포장 박스 각각에 보관된 물건 이미지 및 포장 박스 없이 보관하는 물건 이미지를 분석하여, 포장 박스에서 보관하는 물건 및 포장 없이 보관하는 물건을 인식한다. S120 단계에서는 추론부에서 인식 결과에 따라 물건의 중량, 온도 취약성, 습도 취약성을 포함하는 보관 특성을 딥러닝 모델을 통해 추론한다. S130 단계에서는 판단부에서 추론된 보관 특성, 물건을 보관하는 보관공간의 크기, 보관공간의 형태, 포장 박스의 크기, 형태, 물건의 크기, 형태 및 보관공간의 영역별 환경정보를 고려하여 포장 박스 및 물건의 최적 적재 위치를 판단한다.
실시예에 따른 인공지능 기반의 물건 보관 시스템, 물건 보관 전략 생성 서버 및 방법은 컨테이너 등의 보관공간에 보관하는 다양한 물건 각각의 특성을 고려하여, 물건을 포장한 포장 박스와 물건들을 적재하는데 필요한 전략과 계획을 수립한다.
실시예에서는 포장 박스에 담긴 물건의 종류, 온도, 습도 취약성 및 중량을 포함하는 물건 별 보관 특성에 따라 물건의 최적 보관 위치를 딥러닝 모델을 통해 검출한다.
또한, 실시예에서는 다양한 물건 각각은 중량, 습도 또는 온도 취약성이 서로 상이하므로, 보관공간에서 모든 물건이 손상되지 않고 장기간 오래 보관될 수 있도록 하기 위해, 물건 각각의 보관 특성을 고려하여, 물건을 담은 포장 박스의 최적 적재 위치를 추천하거나 지정하는 기술을 제공한다.
또한, 실시예에서는 물건을 보관하는 창고 또는 컨테이너를 포함하는 보관 공간의 온도, 습도 등 환경 정보를 센싱하여, 관리자에게 전달하고, 보관된 물건을 훼손할 수 있는 이상 환경 정보가 센싱되는 경우, 이를 검출하여 관리자에게 전달할 수 있다.
또한, 실시예에서는 물건의 종류에 따라 온도와 습도를 자동 제어하고, 전류 모니터링을 통해, 화재 등 위험상황 발생 예측을 수행하고, 위험상황 발생 가능성이 일정 수준을 초과하는 경우 이를 관리자에게 알릴 수 있도록 한다.
또한, 실시예에서는 적어도 하나의 딥러닝 모델과 연동하여 물건 및 포장 박스의 최적 적재 위치를 판단하고, 보관 공간의 온도, 습도를 제어하고, 훼손된 물건이 발생한 경우, 훼손된 물건의 적재위치 및 환경을 분석하여 물건 훼손 원인을 파악할 수 있도록 한다.
이상에서와 같은 인공지능 기반의 물건 보관 시스템, 물건 보관 전략 생성 서버 및 방법은 물건 종류와 온도, 습도 취약성 및 중량에 따라 물건의 최적 보관 위치를 검출하여 알림으로써, 이삿짐 등 고객의 물건 보관 시 훼손 및 파손을 줄일 수 있다.
또한, 실시예에서는 물건을 보관하는 창고나 컨테이너의 온도, 습도를 자동 제어하여, 습도 등 환경에 의해 보관하는 물건이 훼손되는 것을 막을 수 있다.
또한, 실시예에서는 물건을 보관하는 창고나 컨테이너의 온도, 습도, 전류, 등을 모니터링하고, 이상 정보 센싱 시 이를 관리자에게 알림으로써, 보관되는 물건을 안전하게 보관할 수 있도록 한다.
개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.
Claims (5)
- 인공지능 기반의 물건 보관 전략 생성 서버에 있어서,
상기 물건 보관 전략 생성 서버에는 적어도 하나의 명령어를 저장하는 메모리 및 프로세서가 포함되며,
상기 적어도 하나의 명령어가 상기 프로세서에 의해 실행됨으로써,
포장 박스로 포장될 포장 물건의 이미지 및 포장 박스로 포장되지는 않는 비포장 물건의 이미지를 이용하여서, 상기 포장 물건 및 상기 비포장 물건의 종류가 인식되고,;
상기 인식 결과를 이용하여서 상기 포장 물건 및 상기 비포장 물건 각각의 중량, 온도 취약성 및 습도 취약성 중 적어도 하나를 포함하는 보관 특성이 추론되며,
상기 추론된 보관 특성, 상기 포장 박스와 상기 비포장 물건을 보관하기 위한 보관공간의 크기, 상기 보관공간의 형태, 포장 박스의 크기 또는 형태, 상기 비포장 물건의 크기 또는 형태 및 상기 보관공간의 영역별 환경정보 중 적어도 하나에 기초하여, 상기 포장 박스 및 상기 비포장 물건의 적재 위치가 설정되는
물건 보관 전략 생성 서버. - 제1항에 있어서,
상기 보관 특성은,
인식된 물건 각각에 대한 중량, 최적 보관 온도 및 최적 보관 습도 각각을 추론하도록 학습된 특성 추론 모델에 의해 추론된 것이되,
상기 특성 추론 모델에는 중량 추론 모델, 온도 취약성 추론 모델 및 습도 취약성 추론 모델 중 적어도 하나가 포함되고,
상기 중량 추론 모델은 인식된 물건에 매칭된 중량 데이터에 의해 학습된 것이고,
상기 온도 취약성 추론 모델은 물건 별 최적 유지 온도 데이터에 의해 학습된 것이며,
상기 습도 취약성 추론 모델은 물건 별 최적 유지 습도 데이터에 의해 학습된 것인 물건 보관 전략 생성 서버. - 제1항에 있어서,
상기 보관 특성의 추론에서는,
포장 박스에 종류가 다른 물건이 담긴 경우, 상기 포장 박스에 담긴 물건 각각의 보관 특성에 대한 최소값 및 최대값이 추론되고
상기 적재 위치의 설정에서는,
상기 추론된 최소값 및 최대값이 이용되는 물건 보관 전략 생성 서버. - 제1항에 있어서, 상기 적재 위치의 설정에서는,
상기 보관공간의 내부 공간의 크기와 형태, 상기 포장 박스와 상기 비포장 물건의 부피 및 상기 포장 박스와 상기 비포장 물건을 합한 총 부피에 기초해서 상기 포장 박스 및 상기 비포장 물건의 적재 순서가 설정되는 물건 보관 전략 생성 서버. - 제1항에 있어서, 상기 적재 위치의 설정에서는,
무게 및 부피가 동일하지만 온도 취약성 및 습도 취약성 중 적어도 하나가 상이한 포장 박스 또는 비포장 물건은, 서로 상이한 높이에 적재되도록 설정되는
물건 보관 전략 생성 서버.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230094026A KR102572411B1 (ko) | 2023-07-19 | 2023-07-19 | 인공지능 기반의 물건 보관 시스템, 물건 보관 전략생성 서버 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230094026A KR102572411B1 (ko) | 2023-07-19 | 2023-07-19 | 인공지능 기반의 물건 보관 시스템, 물건 보관 전략생성 서버 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102572411B1 true KR102572411B1 (ko) | 2023-08-29 |
Family
ID=87802150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230094026A KR102572411B1 (ko) | 2023-07-19 | 2023-07-19 | 인공지능 기반의 물건 보관 시스템, 물건 보관 전략생성 서버 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102572411B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102061755B1 (ko) | 2019-06-26 | 2020-01-02 | 신세계건설(주) | 물건 분류 및 보관 시스템 |
| KR102204891B1 (ko) | 2019-05-07 | 2021-01-19 | 권필목 | 고장시 비상 제어 기능이 부가된 무인보관시스템 |
| KR20230037991A (ko) * | 2021-09-10 | 2023-03-17 | 삼성전자주식회사 | 인공지능 서비스를 제공하는 디바이스 및 그 동작 방법 |
-
2023
- 2023-07-19 KR KR1020230094026A patent/KR102572411B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102204891B1 (ko) | 2019-05-07 | 2021-01-19 | 권필목 | 고장시 비상 제어 기능이 부가된 무인보관시스템 |
| KR102061755B1 (ko) | 2019-06-26 | 2020-01-02 | 신세계건설(주) | 물건 분류 및 보관 시스템 |
| KR20230037991A (ko) * | 2021-09-10 | 2023-03-17 | 삼성전자주식회사 | 인공지능 서비스를 제공하는 디바이스 및 그 동작 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210147182A1 (en) | Non-intrusive data analytics system for adaptive intelligent condition monitoring of lifts | |
| KR101652099B1 (ko) | 위험지도 기반 사고대응 및 사고예방 시스템 | |
| DE102020104468A1 (de) | Robotersystem mit objektidentifizierungs- und handhabungsmechanismus und verfahren zu seinem betrieb | |
| MX2008000258A (es) | Sistema y metodo para monitoreo y control de la condicion operacional de un transformador de energia. | |
| US11257032B2 (en) | Smart audit or intervention in an order fulfillment process | |
| WO2023057434A1 (en) | Method and flight data analyzer for identifying anomalous flight data and method of maintaining an aircraft | |
| KR102572411B1 (ko) | 인공지능 기반의 물건 보관 시스템, 물건 보관 전략생성 서버 및 방법 | |
| CN114565162A (zh) | 一种飞行器运输状态监测与安全防护方法及系统 | |
| KR20180058194A (ko) | 물류정보 처리 방법 및 이를 이용하는 물류정보 처리 서버, 물류 관리 장치 | |
| CN110160619B (zh) | 称重系统状态检测方法、装置、可读存储介质和电子设备 | |
| KR20220167871A (ko) | 재사용 효율이 향상된 재활용품 수거 시스템 및 그 제공방법 | |
| US20220051175A1 (en) | System and Method for Mapping Risks in a Warehouse Environment | |
| CN112196402A (zh) | 一种钞箱及其管理方法 | |
| KR20210097241A (ko) | 항만물류 최적화를 위한 스마트 컨테이너 통합관리 시스템 | |
| CN116679579A (zh) | 一种基于数字孪生的安全控制方法、装置、设备及介质 | |
| US11481724B2 (en) | System and method for direct store distribution | |
| Ashfahani et al. | Autonomous deep quality monitoring in streaming environments | |
| CN114283387B (zh) | 一种垃圾点保洁工单智能生成方法、装置及相关介质 | |
| KR101198847B1 (ko) | 온톨로지 기반의 저장고 환경상태 관리 시스템 및 그 방법 | |
| US20220269991A1 (en) | Evaluating reliability of artificial intelligence | |
| KR102392721B1 (ko) | 실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법 | |
| JP5529489B2 (ja) | サプライチェーンマネジメント評価装置 | |
| Rekik et al. | Integration of case based reasoning in multi-agent system for the real-time container stacking in seaport terminals | |
| CN117057719B (zh) | 一种基于大数据的预制食品仓储补货管理方法及系统 | |
| EP4089495B1 (en) | Analysis device and method for monitoring an operational state of an industrial system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A302 | Request for accelerated examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |