KR20230150625A - 수하물 분류 시스템 - Google Patents

수하물 분류 시스템 Download PDF

Info

Publication number
KR20230150625A
KR20230150625A KR1020220050239A KR20220050239A KR20230150625A KR 20230150625 A KR20230150625 A KR 20230150625A KR 1020220050239 A KR1020220050239 A KR 1020220050239A KR 20220050239 A KR20220050239 A KR 20220050239A KR 20230150625 A KR20230150625 A KR 20230150625A
Authority
KR
South Korea
Prior art keywords
baggage
unit
camera unit
barcode
image information
Prior art date
Application number
KR1020220050239A
Other languages
English (en)
Inventor
백인엽
노승민
도기영
정상훈
Original Assignee
주식회사 칸정보기술
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 주식회사 칸정보기술 filed Critical 주식회사 칸정보기술
Priority to KR1020220050239A priority Critical patent/KR20230150625A/ko
Publication of KR20230150625A publication Critical patent/KR20230150625A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C3/00—Sorting according to destination
    • B07C3/02—Apparatus characterised by the means used for distribution
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C3/00—Sorting according to destination
    • B07C3/003—Destination control; Electro-mechanical or electro- magnetic delay memories
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C3/00—Sorting according to destination
    • B07C3/10—Apparatus characterised by the means used for detection ofthe destination
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C3/00—Sorting according to destination
    • B07C3/18—Devices or arrangements for indicating destination, e.g. by code marks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C3/00—Sorting according to destination
    • B07C3/20—Arrangements for facilitating the visual reading of addresses, e.g. display arrangements coding stations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)

Abstract

수하물 분류 시스템이 개시된다. 수하물 분류 시스템은 수하물에 부착된 바코드 정보를 인식하는 제1바코드인식부, 상기 수하물의 이미지 정보를 인식하고, 상기 제1바코드인식부에서 인식한 바코드 정보와 연동하여 패킷을 설정하는 제1카메라부, 상기 제1카메라부를 통과한 수하물의 바코드를 인식하는 제2바코드인식부, 상기 제2바코드인식부에서 인식된 바코드에 따라 상기 수하물을 분류하고 목적지로 이송하는 소터, 상기 소터에서 미분류된 수하물의 이미지 정보를 인식하는 제2카메라부, 상기 제2카메라부에서 인식된 정보를 상기 패킷과 비교하여 목적지 정보를 생성하는 서버부, 및 상기 서버부에서 생성된 목적지 정보를 수신하여 상기 소터를 구동하여 상기 미분류된 수하물을 목적지로 이송하는 제어부를 포함하여 구성된다.

Description

수하물 분류 시스템{BAGGAGE SORTING SYSTEM}
아래의 실시예들은 수하물 분류 시스템에 관한 것이다.
현재 공항에서 사용되고 있는 수하물 분류 시스템은, 체크인카운터를 거쳐 바코드인식기, 소터가 조합되어 수하물을 자동으로 분류하고 있다. 수하물 분류 시스템은 체크인카운터에서 인식한 바코드를 컨베이어 중간에 설치된 바코드인식기의 데이터와 비교하고, 소터를 이용하여 목적지 방향을 전환하는 방식을 사용하고 있다. 하지만, 바코드 인식기의 인식률이 95%에서 97%정도여서 바코드 인식기에서 미분류되는 수하물이 있다는 문제점이 있었다. 바코드 인식기의 낮은 인식률로 인하여 미분류되는 5% 이상의 수하물은 인적 자원이 투입되어 직원이 수동으로 분류해야 하고, 완전 자동화 시스템을 구축하는 데 어려움이 있었다.
전술한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.
실시예의 목적은, 수하물의 인식률을 높여 미분류 수하물을 줄일 수 있는 수하물 분류 시스템을 제공하는 것이다.
실시예들에서 해결하려는 과제들은 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
실시예에 따른 수하물 분류 시스템을 개시한다. 수하물 분류 시스템은 수하물에 부착된 바코드 정보를 인식하는 제1바코드인식부, 상기 수하물의 이미지 정보를 인식하고, 상기 제1바코드인식부에서 인식한 바코드 정보와 연동하여 패킷을 설정하는 제1카메라부, 상기 제1카메라부를 통과한 수하물의 바코드를 인식하는 제2바코드인식부, 상기 제2바코드인식부에서 인식된 바코드에 따라 상기 수하물을 분류하고 목적지로 이송하는 소터, 상기 소터에서 미분류된 수하물의 이미지 정보를 인식하는 제2카메라부, 상기 제2카메라부에서 인식된 정보를 상기 패킷과 비교하여 목적지 정보를 생성하는 서버부, 및 상기 서버부에서 생성된 목적지 정보를 수신하여 상기 소터를 구동하여 상기 미분류된 수하물을 목적지로 이송하는 제어부를 포함하여 구성된다.
일 측에 따르면, 상기 제1바코드인식부와 상기 제1카메라부는 체크인 카운터에 구비되고, 상기 제2바코드인식부 및 상기 제2카메라부는 수하물의 이송 경로 상에 구비될 수 있다.
일 측에 따르면, 상기 제2바코드인식부의 후단에서 전단으로 수하물 복귀 라인이 형성될 수 있다.
일 측에 따르면, 상기 제2카메라부는 상기 수하물 복귀 라인에 구비될 수 있다.
일 측에 따르면, 상기 서버부는, 상기 제1카메라부에서 인식된 제1이미지 정보와 상기 제2카메라부에서 인식된 제2이미지 정보가 일치하면, 상기 제어부로 상기 목적지 정보를 발신할 수 있다.
일 측에 따르면, 상기 제1이미지 정보 및 상기 제2이미지 정보는, 수하물의 길이, 폭, 높이, 색상, 체적, 모양, 손잡이 형태, 특징적 패턴 중 적어도 하나 이상을 포함하는 정보일 수 있다.
일 측에 따르면, 상기 제1카메라부 및 상기 제2카메라부는, 상기 수하물에 대하여 서로 다른 방향에서 촬영하도록 구비되는 복수의 비전 카메라를 포함하고, 상기 수하물의 이미지 정보를 인식할 수 있다.
일 측에 따르면, 상기 서버부는, 상기 제1카메라부에서 인식된 제1이미지 정보, 및 상기 제2카메라부에서 인식된 제2이미지 정보를 수신 받고, YOLO, CNN, SIFT, 및 Template Matching 알고리즘 중 적어도 하나를 적용하여, 상기 수하물의 특징을 추출할 수 있다.
일 측에 따르면, 상기 서버부는, 상기 제1카메라부에서 인식된 제1이미지 정보, 및 상기 제2카메라부에서 인식된 제2이미지 정보와 상기 목적지 정보의 연관관계 및 조합을 분석하고 학습할 수 있다.
일 측에 따르면, 상기 제어부는, PLC(Programmable Logical Controller)로 구성되되 제어 현황이 실시간으로 디스플레이 가능하도록 디스플레이를 포함할 수 있다.
이상에서 본 바와 같이, 실시예들에 따르면, 수하물 분류 시스템은 기계 학습을 통한 바코드 인식기의 인식율을 높이고 미분류 수하물을 최소화하여 완전 자동화할 수 있다.
일 실시예에 따른 수하물 분류 시스템의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시예에 따른 수하물 분류 시스템의 구성을 나타낸 개략도이다.
도 2는 일 실시예에 따른 수하물 분류 시스템의 구성을 도시한 블록도이다.
도 3은 일 실시예에 따른 제1카메라부와 제2카메라부를 예시하기 위한 도면이다.
도 4는 제2카메라부의 인식률에 따른 전체 인식률의 변화를 설명하기 위한 도면이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예들을 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
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.
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.
또한, 실시예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
어느 하나의 실시예에 포함된 구성요소와, 공통적인 기능을 포함하는 구성요소는, 다른 실시예에서 동일한 명칭을 사용하여 설명하기로 한다. 반대되는 기재가 없는 이상, 어느 하나의 실시예에 기재한 설명은 다른 실시예에도 적용될 수 있으며, 중복되는 범위에서 구체적인 설명은 생략하기로 한다.
도면을 참조하여, 수하물 분류 시스템에 대해 설명한다. 참고적으로, 도 1은 일 실시예에 따른 수하물 분류 시스템의 구성을 나타낸 개략도이고, 도 2는 일 실시예에 따른 수하물 분류 시스템의 구성을 도시한 블록도이고, 도 3은 일 실시예에 따른 제1카메라부와 제2카메라부를 예시하기 위한 도면이고, 도 4는 제2카메라부의 인식률에 따른 전체 인식률의 변화를 설명하기 위한 도면이다.
도 1 및 도 2를 참조하면, 수하물 분류 시스템(1)은, 제1바코드인식부(10), 제1카메라부(11), 제2바코드인식부(12), 소터(13), 제2카메라부(14), 서버부(15), 및 제어부(16)를 포함하여 구성된다.
제1바코드 인식부는 수하물에 부착된 바코드 정보를 인식한다. 여기서, 바코드 정보는, 체크인 카운터에서 수하물 체크인 시 수하물의 목적지 정보를 지정하기 위해 수하물의 겉면에 태깅되는 막대 모양의 선과 숫자 등의 조합 정보를 지칭할 수 있다. 예를 들어, 제1바코드 인식부는 수하물에 부착된 바코드 정보를 인식하기 위해서 ATR(Auto Tag Reader)로 구성될 수 있다.
제1카메라부(11)는 수하물의 제1이미지 정보를 인식하고, 제1바코드인식부(10)에서 인식한 바코드 정보와 연동하여 패킷을 설정한다.
제1카메라부(11)는 복수의 비전 카메라(111)에서 촬영한 수하물의 이미지로부터 제1이미지 정보를 획득한다. 즉, 제1카메라부(11)는 수하물에 대해 비전 인식을 하여, 수하물의 외형에 관한 특징 정보를 인식할 수 있다. 예를 들어, 제1이미지 정보는, 수하물의 길이, 폭, 높이, 색상, 체적, 모양, 질감, 손잡이 형태, 바퀴 형태, 및 특징적 패턴 중 적어도 하나 이상을 포함하는 정보일 수 있다.
또한, 다른 실시예에 따르면, 제1카메라부(11)와 제1바코드인식부(10)는 일체로 형성될 수 있다. 이 경우, 하나의 단말에서 촬영한 수하물의 이미지로부터 특징 정보와 바코드 정보를 획득할 수 있다. 즉, 일체로 형성된 제1카메라부(11)와 제1바코드인식부(10)는 수하물 이미지에 대해 비전 인식을 하여, 수하물의 외형에 관한 특징데이터와, 수하물에 태깅되어 있는 바코드 정보를 인식하는 역할을 할 수 있다. 또한, 일체로 형성된 제1카메라부(11)와 제1바코드인식부(10)는 제1이미지 정보를 캡처하여 압축되지 않은 상태의 제1이미지 정보를 생성함으로써, 수하물에 대한 외형 탐지와 바코드 판독이 가능하도록 하는 비전 머신의 일종일 수 있다.
제1바코드인식부(10)와 제1카메라부(11)는 체크인 카운터에 구비될 수 있다. 제1바코드인식부(10)와 제1카메라부(11)는 체크인 카운터에서 체크인된 수하물을 대상으로 1차적으로 바코드 판독과 수하물에 대한 외형 탐지를 할 수 있다.
제2바코드인식부(12)는 제1카메라부(11)를 통과한 수하물의 바코드를 인식한다.
제2바코드인식부(12)는 제1카메라부(11)를 통과한 수하물의 바코드를 인식하고, 수하물의 목적지에 따라 분류할 수 있도록 한다. 또한, 제2바코드인식부(12)에서 인식된 바코드 정보를 제1바코드인식부(10)에서 인식된 바코드 정보와 비교하고, 후술하는 소터(13)가 수하물을 바코드 정보에 포함된 목적지로 이송할 수 있도록 한다.
제2바코드인식부(12)는 수하물의 이송 경로 상에 구비될 수 있다. 예를 들어, 제2바코드인식부(12)는 제1카메라부(11)에서 수하물이 이동하는 방향에 구비될 수 있다.
여기서, 제2바코드인식부(12)의 후단에서 전단으로 수하물 복귀 라인(17)이 형성될 수 있다.
수하물 복귀 라인(17)은 제2바코드인식부(12)가 바코드를 인식하지 못한 수하물을 다시 제2바코드인식부(12)로 되돌려 보낸다. 즉, 수하물 복귀 라인(17)은 제2바코드인식부(12)의 후단에 분기가 형성되고, 분기점에서 라인이 형성되어 제2바코드인식부(12)의 전단에 연결되도록 형성된다.
소터(13)는 제2바코드인식부(12)에서 인식된 바코드에 따라 수하물을 분류하고 목적지로 이송한다. 즉, 소터(13)는 제2바코드인식부(12)로부터 수하물에 태깅된 바코드 정보를 전송받아 해당 수하물이 이동되어야 하는 이동처를 식별하고, 수하물을 이동처로 이동, 분류시키는 장치일 수 있다.
제2카메라부(14)는 소터(13)에서 미분류된 수하물의 이미지 정보를 인식한다. 여기서, 미분류된 수하물은 수하물이 전도되거나, 바코드가 훼손되는 등의 장애에 따라 제2바코드인식부(12)에서 바코드를 정확하게 읽지 못해 소터(13)가 수하물의 이동처를 식별하는 데 실패한 수하물을 지칭할 수 있다.
제2카메라부(14)는 복수의 비전 카메라(141)에서 촬영한 수하물의 이미지로부터 제2이미지 정보를 획득한다. 즉, 제2카메라부(14)는 수하물에 대해 비전 인식을 하여, 수하물의 외형에 관한 특징 정보를 인식할 수 있다. 예를 들어, 제2이미지 정보는, 제1이미지 정보와 동일하게, 수하물의 길이, 폭, 높이, 색상, 체적, 모양, 질감, 손잡이 형태, 바퀴 형태, 및 특징적 패턴 중 적어도 하나 이상을 포함하는 정보일 수 있다.
제2카메라부(14)는 상기 수하물 복귀 라인(17)에 구비될 수 있다.
도 3을 참조하면, 제1카메라부(11) 및 제2카메라부(14)는, 수하물에 대하여 서로 다른 방향에서 촬영하도록 구비되는 복수의 비전 카메라(111, 141)를 포함하고, 수하물의 이미지 정보를 인식할 수 있다. 예를 들어, 제1카메라부(11) 및 제2카메라부(14)는 위쪽에서 아래쪽으로 비스듬하게 설치되는 4개의 비전 카메라(111, 141)에서, 서로 상이한 4개의 시야방향으로 제1이미지 정보와 제2이미지 정보를 획득할 수 있다. 이를 통해, 제1카메라부(11) 및 제2카메라부(14)는 수하물의 전후좌우 전방향을 촬영하는 이미지 정보를 생성하여, 수하물에 대한 외형 탐지가 보다 정확하게 이루어지도록 할 수 있다.
서버부(15)는 제2카메라부(14)에서 인식된 정보를 패킷과 비교하여 목적지 정보를 생성한다. 예를 들어, 서버부(15)는 제1카메라부(11), 제1바코드인식부(10), 제2카메라부(14), 제2바코드인식부(12)와 통신망으로 통합 연결되고, CPU를 포함하는 시스템일 수 있다. 또한, 서버부(15)는 제1카메라부(11)에서 인식된 제1이미지 정보와 제2카메라부(14)에서 인식된 제2이미지 정보가 일치하면, 후술하는 제어부(16)로 목적지 정보를 발신할 수 있다.
또한, 서버부(15)는 제1바코드인식부(10)에서 인식한 바코드 정보와 제1카메라부(11)의 제1이미지 정보를 연동하여 패킷을 설정하고, 제2카메라부(14)에서 인식된 제2이미지 정보를 패킷과 비교할 수 있다. 서버부(15)는 미분류 수하물의 제2이미지 정보와 패킷을 비교하여, 목적지 정보를 생성하여 제어부(16)로 발신할 수 있다.
서버부(15)는 제1카메라부(11)에서 인식된 제1이미지 정보, 및 제2카메라부(14)에서 인식된 제2이미지 정보를 수신 받고, YOLO, CNN, SIFT, 및 템플릿 매칭(Template Matching) 알고리즘 중 적어도 하나를 적용하여, 수하물의 특징을 추출할 수 있다. 예를 들어, 제1이미지 정보 및 제2이미지 정보는, 수하물의 길이, 폭, 높이, 색상, 체적, 모양, 손잡이 형태, 특징적 패턴 중 적어도 하나 이상을 포함하는 정보일 수 있다.
참고적으로, CNN(Convolutional Neural Network)은 시각적 이미지를 분석하는 데 사용되는 인공신경망의 한 종류로서, convolution layer, pooling layer, filly connected layer를 통해 형상을 추출하고, 차원 축소 단계를 거쳐 바코드 정보를 획득한다.
R-CNN은(Region with Convolutional Neural Network)은 region proposal이라는 수백 개의 이미지 후보를 생성하고 각각에 대해 분류하여 바코드 정보를 획득한다.
YOLO(You Only Look Once) 알고리즘은 R-CNN의 느린 성능을 개선하기 위해 고안된 것으로, R-CNN에 비해 YOLO 알고리즘은 격자 그리드로 나누어 한 번에 클래스를 판단하고 이를 통합해 최종 객체를 구분함으로써, 빠른 속도로 객체인 바코드 정보의 획득을 가능하게 한다.
SIFT(Scale Invariant Feature Transform)는 이미지에서 Feature를 추출하는 대표적인 알고리즘 중의 하나로, 이미지의 scale(크기), Rotation(회전)에 불변하는 feature(특징)을 추출하기 때문에, 이미지가 회전하거나 크기가 변해도 항상 그 위치에서 뽑히는 특징으로서의 바코드 정보의 획득을 가능하게 한다.
템플릿 매칭 알고리즘(Template Matching Algorism)은 참조 영상(reference image)에서 템플릿(template) 영상과 매칭되는 위치를 탐색하는 알고리즘으로서, 에지, 코너점, 주파수 변환 등의 특징 공간으로 변환하여 템플릿 매칭을 수행하고, 영상의 밝기 등에 덜 민감하도록 정규화 과정을 통해, 특징인 바코드 정보의 획득을 가능하게 한다.
서버부(15)는, 제1카메라부(11)에서 인식된 제1이미지 정보, 및 제2카메라부(14)에서 인식된 제2이미지 정보와 목적지 정보의 연관관계 및 조합을 분석하고 학습할 수 있다. 예를 들어, 서버부(15)는 인공지능 학습을 위해 변환부(미도시), 기록부(미도시), 갱신부(미도시), 및 데이터베이스(미도시)를 더 포함할 수 있다.
일 예로, 변환부는 수하물의 목적지 정보와 제1이미지 정보 및 제2이미지 정보 각각을 각기 정해진 데이터 포맷으로 변환하여 정규화 하고. 변환부는 물품의 고유 ID별로 정규화에 사용할 수식을 운영할 수 있다. 여기서, 정규화 된 데이터 포맷은 수하물의 고유 ID, 수하물의 목적지 정보. 및 수하물의 제1이미지 정보 및 제2이미지 정보를 클래스 숫자로 사용하는 해시(HASH) 데이터셋 형태를 의미할 수 있다.
그리고 기록부는 해시 데이터셋 형태로 정규화 된 데이터 포맷을 데이터베이스에 기록할 수 있고, 기록부는 데이터베이스 내의 데이터 포맷을 별도의 작업 없이 인공지능 학습 처리에 바로 사용될 수 있도록 할 수 있다.
또한, 갱신부는 데이터베이스에 데이터 포맷이 기록되면, 제1이미지 정보와 제2이미지 정보의 누적 촬영 빈도 수를 증가시키고, 수하물의 누적 촬영 빈도 수의 증가에 따라, 수하물 데이터를 갱신한다.
데이터베이스는 제1이미지 정보와 제2이미지 정보의 누적 촬영 빈도 수와 목적지 정보를 연관시킨 수하물 데이터를 학습 가능하도록 저장하고, 데이터베이스는 학습 데이터에 근거하여 수하물의 목적지 정보를 생성하고 제어부(16)로 발신할 수 있다.
도 4를 참조하면, 제2카메라부(14)의 인식률에 따른 전체 인식률의 변화를 설명하기 위한 도면이다.
수하물 분류 시스템(1)은 제2카메라부(14)를 구비하고, 제1카메라부(11)에서 인식된 제1이미지 정보, 및 제2카메라부(14)에서 인식된 제2이미지 정보와 목적지 정보의 연관관계 및 조합을 분석하고 학습할 수 있는 서버부(15)를 구비함으로써, 미분류 수하물의 양을 줄이고 공항 소터 시스템의 정확도와 안전성을 개선할 수 있다. 수하물 분류 시스템(1)은 종래의 소터 시스템의 제1바코드인식부(10)에 제2카메라부(14)와 서버부(15)를 부가하여 99.9%이상의 인식율 상승이 가능하다.
예를 들어, 한 해 동안 공항에서 약 1250만 명의 고객의 수하물을 이송하고, 95%의 정확도와 1500만 개의 수하물 조건으로 가정 시, 미분류 수하물은 75만 개가 발생하는 것으로 추정 가능하다. 여기서, 제2카메라부(14)의 인식률이 50%이면, 수하물 분류 시스템(1)은 97.5%의 정확도로, 1500만 개의 수하물에 대한 미분류 수하물의 개수를 37.5만개로 줄일 수 있다.
또한, 제2카메라부(14)의 인식률을 95%로 향상시키면, 수하물 분류 시스템(1)은 99.75%의 정확도로, 1500만 개의 수하물에 대한 미분류 수하물의 개수를 3.75만개로 획기적으로 줄일 수 있다.
제어부(16)는 서버부(15)에서 생성된 목적지 정보를 수신하여 소터(13)를 구동하여 미분류된 수하물을 목적지로 이송한다.
예를 들어, 제어부(16)는 소터(13)의 일 측에 구비되거나 소터(13)와 일체형으로 형성되어 소터(13)의 구동 동작을 제어할 수 있다.
또한, 제어부(16)는, PLC(Programmable Logical Controller)로 구성되되 제어 현황이 실시간으로 디스플레이 가능하도록 디스플레이를 포함할 수 있다.
본 실시예들에 따르면, 수하물 분류 시스템은 제2카메라부에서 촬영된 이미지 정보를 이용하여 수하물의 분류 작업 정확도를 향상시킬 수 있다.
또한, 수하물 분류 시스템은 서버부의 학습 구성을 통하여 수하물의 외형적 특징과 목적지의 연관 관계를 분석하여 분류 작업 정확도를 향상시킬 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.
1 수하물 분류 시스템
10 제1바코드인식부
11 제1카메라부
111 비전 카메라
12 제2바코드인식부
13 소터
14 제2카메라부
141 비전 카메라
15 서버부
16 제어부
17 수하물 복귀 라인

Claims (10)

  1. 수하물에 부착된 바코드 정보를 인식하는 제1바코드인식부;
    상기 수하물의 이미지 정보를 인식하고, 상기 제1바코드인식부에서 인식한 바코드 정보와 연동하여 패킷을 설정하는 제1카메라부;
    상기 제1카메라부를 통과한 수하물의 바코드를 인식하는 제2바코드인식부;
    상기 제2바코드인식부에서 인식된 바코드에 따라 상기 수하물을 분류하고 목적지로 이송하는 소터;
    상기 소터에서 미분류된 수하물의 이미지 정보를 인식하는 제2카메라부;
    상기 제2카메라부에서 인식된 정보를 상기 패킷과 비교하여 목적지 정보를 생성하는 서버부; 및
    상기 서버부에서 생성된 목적지 정보를 수신하여 상기 소터를 구동하여 상기 미분류된 수하물을 목적지로 이송하는 제어부;
    를 포함하는 수하물 분류 시스템.
  2. 제1항에 있어서,
    상기 제1바코드인식부와 상기 제1카메라부는 체크인 카운터에 구비되고, 상기 제2바코드인식부 및 상기 제2카메라부는 수하물의 이송 경로 상에 구비되는 수하물 분류 시스템.
  3. 제2항에 있어서,
    상기 제2바코드인식부의 후단에서 전단으로 수하물 복귀 라인이 형성되는 수하물 분류 시스템.
  4. 제3항에 있어서,
    상기 제2카메라부는 상기 수하물 복귀 라인에 구비되는 수하물 분류 시스템.
  5. 제1항에 있어서,
    상기 서버부는, 상기 제1카메라부에서 인식된 제1이미지 정보와 상기 제2카메라부에서 인식된 제2이미지 정보가 일치하면, 상기 제어부로 상기 목적지 정보를 발신하는 수하물 분류 시스템.
  6. 제5항에 있어서,
    상기 제1이미지 정보 및 상기 제2이미지 정보는, 수하물의 길이, 폭, 높이, 색상, 체적, 모양, 손잡이 형태, 특징적 패턴 중 적어도 하나 이상을 포함하는 정보인 수하물 분류 시스템.
  7. 제1항에 있어서,
    상기 제1카메라부 및 상기 제2카메라부는, 상기 수하물에 대하여 서로 다른 방향에서 촬영하도록 구비되는 복수의 비전 카메라를 포함하고, 상기 수하물의 이미지 정보를 인식하는 수하물 분류 시스템.
  8. 제1항에 있어서,
    상기 서버부는, 상기 제1카메라부에서 인식된 제1이미지 정보, 및 상기 제2카메라부에서 인식된 제2이미지 정보를 수신 받고, YOLO, CNN, SIFT, 및 템플릿 매칭 알고리즘 중 적어도 하나를 적용하여, 상기 수하물의 특징을 추출하는 수하물 분류 시스템.
  9. 제8항에 있어서,
    상기 서버부는, 상기 제1카메라부에서 인식된 제1이미지 정보, 및 상기 제2카메라부에서 인식된 제2이미지 정보와 상기 목적지 정보의 연관관계 및 조합을 분석하고 학습하는 수하물 분류 시스템.
  10. 제1항에 있어서,
    상기 제어부는, PLC로 구성되되 제어 현황이 실시간으로 디스플레이 가능하도록 디스플레이를 포함하는 수하물 분류 시스템.
KR1020220050239A 2022-04-22 2022-04-22 수하물 분류 시스템 KR20230150625A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220050239A KR20230150625A (ko) 2022-04-22 2022-04-22 수하물 분류 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220050239A KR20230150625A (ko) 2022-04-22 2022-04-22 수하물 분류 시스템

Publications (1)

Publication Number Publication Date
KR20230150625A true KR20230150625A (ko) 2023-10-31

Family

ID=88543256

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220050239A KR20230150625A (ko) 2022-04-22 2022-04-22 수하물 분류 시스템

Country Status (1)

Country Link
KR (1) KR20230150625A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314923A (zh) * 2023-11-30 2023-12-29 广州城建职业学院 一种基于机器视觉的荔枝智能分拣与配送优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314923A (zh) * 2023-11-30 2023-12-29 广州城建职业学院 一种基于机器视觉的荔枝智能分拣与配送优化方法
CN117314923B (zh) * 2023-11-30 2024-03-08 广州城建职业学院 一种基于机器视觉的荔枝智能分拣与配送优化方法

Similar Documents

Publication Publication Date Title
Singh et al. Face detection and recognition system using digital image processing
Doretto et al. Appearance-based person reidentification in camera networks: problem overview and current approaches
AU2014240213B2 (en) System and Method for object re-identification
Lavi et al. Survey on deep learning techniques for person re-identification task
US8923556B2 (en) Method and apparatus for detecting people within video frames based upon multiple colors within their clothing
CN106503703B (zh) 使用终端设备来识别信用卡号码和到期日期的系统和方法
US20230186509A1 (en) Article identification and tracking
EP3786836B1 (en) Article identification and tracking
Qin et al. A fast and robust text spotter
Baltieri et al. Mapping appearance descriptors on 3d body models for people re-identification
CN112633297A (zh) 目标对象的识别方法、装置、存储介质以及电子装置
US20210304422A1 (en) Generation of non-occluded image based on fusion of multiple occulded images
Gubbi et al. A new deep learning architecture for detection of long linear infrastructure
Mehta et al. Face detection and tagging using deep learning
KR20230098745A (ko) 공항 수하물 비전인식 소터 시스템 및 방법
Varga et al. Robust real-time pedestrian detection in surveillance videos
Rashtehroudi et al. Iranian license plate recognition using deep learning
KR20230150625A (ko) 수하물 분류 시스템
El-Said Shadow aware license plate recognition system
Zhang et al. Class-semantic color-texture textons for vegetation classification
Aziz et al. Features-based moving objects tracking for smart video surveillances: A review
Farooque et al. Coin recognition with reduced feature set sift algorithm using neural network
US20220375202A1 (en) Hierarchical sampling for object identification
Forczmański Human face detection in thermal images using an ensemble of cascading classifiers
Merrad et al. A Real-time Mobile Notification System for Inventory Stock out Detection using SIFT and RANSAC.

Legal Events

Date Code Title Description
E902 Notification of reason for refusal