지난 2년 동안 나는 상당히 다른 세 곳의 창고에서 카메라 팔레트 계수 파일럿을 지켜보았고, 드러난 패턴은 놀라울 정도로 일관적이었다. AI 비전 팔레트 계수 정확도는 카메라나 알고리즘 단독의 속성이라기보다는 조건들의 집합의 결과로 이해하는 것이 가장 적절하다. 조건이 바뀌면 같은 시스템도 다른 답을 내놓고, 때로는 다른 방향으로 빗나간다. 데모 영상은 거의 항상 가장 유리한 조건에서의 시스템을 보여주지, 당신의 조건에서의 모습이 아니기 때문에, 이것이 진지한 평가의 출발점이다.

첫 번째 현장은 언뜻 보기에 직관적인 성공 사례였다. 중국 동부의 소비재를 취급하는 제3자 물류 창고에서, 두 대의 고정 카메라가 가지런히 쌓인 완제품 풀 팔레트 행을 마주 보고 있었다. 팔레트는 모두 같은 방향을 향했고, 적재 높이는 거의 동일했으며, 조명은 밝고 균일했고 통로에 직사광선이 들지 않았다. 계수 중에는 지게차가 정지해 있었고 팔레트도 움직이지 않아, 카메라는 행을 한 프레임씩 처리했다. 시스템 합계는 수작업 재계수와 거의 정확히 일치했고, 현장 관리자는 야간 계수 인력을 줄일 수 있다는 생각에 당연히 열광했다. 이것이 비전 계수의 편안한 영역이다. 모든 대상이 완전히 보이고, 배경이 깔끔하며, 아무것도 움직이지 않을 때, 그 작업은 사진 속 블록을 세는 일에 가까워지고, 난이도 자체가 낮다.

두 번째 현장은 같은 시스템으로 다른 이야기를 들려주었다. 중국 북부의 자동차 부품 창고에서, 예비 부품 구역은 높고 낮은 팔레트가 뒤섞여 있었고, 어떤 팔레트 위에는 상자가 얹혀 있었고 어떤 팔레트는 절반만 쌓여 있었으며, 기둥 뒤에 일부 가려진 팔레트와 임시 보관된 빈 팔레트도 있었다. 통로 끝에 있는 카메라는 비스듬히 촬영했기 때문에, 먼 팔레트끼리 서로를 가렸고 가까운 팔레트는 원근 때문에 실제보다 넓어 보였다. 이틀 연속 시스템은 그 구역을 적게 세었는데, 무작위가 아니라 반복적으로 그랬다. 같은 종류의 가림이 계속 되풀이되었기 때문이다. 직원들은 장부를 맞추기 위해 수작업 재계수를 추가했다. 교훈은 직접적이었고, 솔직히 말할 가치가 있다. 가림은 가끔 생기는 노이즈가 아니다. 구조적 편향이며, 커질수록 오차는 진실 주위에 고르게 흩어지기보다 한 방향, 보통은 적은 쪽으로 기울어진다.

세 번째 현장은 그 발상 자체가 너무 매력적으로 들렸기 때문에 가장 교훈적이었다. 중국 남부의 전자상거래 창고는 지게차와 함께 이동하는 카메라로 별도의 계수 패스 없이 정상적인 출고 작업 중에 계수를 수행하기를 원했다. 실제로 지게차가 움직이기 시작하자 영상에는 모션 블러가 생겼고, 팔레트의 겉보기 크기가 프레임마다 바뀌었으며, 시스템은 두 개의 시점을 지나면서 같은 팔레트를 두 번 세기까지 했다. 감도를 낮추자 같은 주행에서 오히려 팔레트를 놓치기 시작했다. 팀은 방식을 바꾸어 촬영 전에 표시된 위치에서 지게차가 2초간 멈추도록 했고, 계수 오류는 급격히 줄었다. 움직임은 처리할 수 없는 것이 아니지만 대가가 있다. 작업이 느려지거나, 오차 허용 범위가 커지거나 둘 중 하나이다.

AI 비전 팔레트 계수 정확도가 통하는 경우

세 파일럿의 비교에 따르면, 카메라 계수는 여러 조건이 한꺼번에 맞아떨어질 때 통한다. 팔레트 방향과 적재 형태가 비교적 균일하고, 시야에 구조적 가림이 없으며, 조명이 안정적이고, 카메라와 대상 사이에 지속적인 상대 운동이 없을 때이다. 이 조건 중 두 가지가 함께 악화되면, 결과를 단순한 보장으로 설명하기 어려워진다. 풀 팔레트와 부분 팔레트가 섞이고, 적재가 불규칙하며, 통로 가장자리에 느슨한 자재가 보관되면, 이미지에서 한 팔레트와 다음 팔레트의 경계가 흐려진다. 시스템이 한 팔레트가 어디에서 끝나는지 안정적으로 구분하지 못하면, 오차는 단발성 실수가 아니라 구역 전체의 경향이 된다.

AI 비전 팔레트 계수 정확도 뒤에 있는 네 가지 변수

영향을 네 그룹으로 나누면 도움이 된다. 첫째는 가림과 적재 형태이다. 팔레트의 약 3분의 1 이상이 가려지면 계수는 추론에 의존하게 되고, 추론이 많아질수록 장부 수치를 신뢰하기 어려워진다. 둘째는 빛이다. 천장 조명의 강한 반사, 늦은 오후에 변하는 일광, 도크 문 근처의 날카로운 명암 경계는 같은 팔레트를 시간대에 따라 다르게 보이게 할 수 있다. 셋째는 움직임과 시점이다. 이동 촬영과 가파른 촬영 각도는 원근 오차를 증폭시키는 반면, 고정 위치와 짧은 정지는 가장 저렴한 교정책이다. 넷째는 혼합된 제품 유형이다. 한 이미지 안에 풀 팔레트와 낱상자가 함께 있으면, 시스템은 먼저 무엇이 팔레트로 count되는지를 결정해야 하며, 그 정의가 창고 장부 규칙과 맞지 않으면 안정적인 계수라도 잘못된 장부를 만든다.

| 현장 조건 | 카메라 계수를 어디까지 신뢰할 수 있는가 | 더 신뢰할 수 있는 접근법 | | 풀 팔레트, 균일한 방향, 고정 카메라, 안정적인 빛 | 높음, 주요 점검 수단으로 유용 | 일정에 따라 표본 점검하고 예외를 조사한다 | | 풀 팔레트와 부분 팔레트 혼합, 부분적 가림 | 보통, 경고 신호로 더 적합 | 시스템 계수 후 플래그가 지정된 구역을 전수 검토한다 | | 이동 촬영, 변하는 빛, 불규칙한 적재 | 낮음, 체계적 편향에 취약 | 먼저 촬영 방식을 고치고, 계수에만 의존하지 않는다 |

역할 분담을 결정하기 전에 직접 시험을 운영하라

이 파일럿들의 경험에 따르면, 신뢰할 수 있는 시험은 클 필요가 없지만 규칙이 필요하다. 먼저 쇼케이스에 쓰이는 가장 깔끔한 통로만이 아니라 실제 작업을 대표하는 구역을 선택하라. 부분 팔레트 구역, 가림이 있는 모서리, 하루 중 빛이 변하는 통로를 포함하라. 시험 시작 전에 계수 규칙을 적어두라. 무엇이 하나의 팔레트로 count되는지, 부분 팔레트는 어떻게 환산되는지, 빈 팔레트는 아예 세는지 여부이다. 카메라와 인간 계수자는 같은 규칙을 사용해야 하며, 그렇지 않으면 비교는 무의미하다. 며칠에 걸쳐 오전과 저녁 교대, 서로 다른 빛 조건을 포괄하여 시험을 운영하고, 시스템 계수, 수작업 계수, 각 차이의 이유를 단일 총 격차가 아니라 가림, 빛, 움직임, 혼합 제품 유형별로 그룹화하여 기록하라. AI 비전 팔레트 계수 정확도는 하나로 합친 수치가 아니라 구역별, 원인별로 보고하라. 가장 중요한 수치는 평균 성능이 아니라 최악의 범주이다. 가동 이후에는 바로 그 범주가 당신을 찾아올 것이기 때문이다.

추세 관점에서, 비전 계수의 보다 현실적인 역할은 인간의 순환 실사를 완전히 대체하는 것이 아니라, 인간 계수자가 시간을 쓰는 대상을 바꾸는 것이다. 깔끔한 구역은 카메라로 자주 점검할 수 있고, 복잡한 구역은 인간의 작업으로 남으며, 사람들은 모든 팔레트를 세는 일에서 플래그가 지정된 예외를 해결하는 일로 이동한다. 이점은 장부 리스크가 통제 하에 유지된다는 것이다. 단점은, 공급업체가 좀처럼 강조하지 않지만, 인력 절감 효과가 데모가 시사하는 것보다 작다는 것이다. 모든 계수 인력을 없애는 것을 전제로 한 사업성은 실망을 안겨줄 것이다. 관리자들이 자주 놓치는 직관에 반하는 점도 있다. 카메라의 가장 좋은 첫 설치 장소는 흔히 가장 지저분한 구역이 아니라 가장 깔끔한 구역이다. 빈번한 카메라 점검이 실제로 신뢰할 수 있는 곳은 그곳뿐이기 때문이다.

더 멀리 내다보면, 주목할 만한 질문은 인식 알고리즘이 개선되는지 여부만이 아니라, 창고가 그에 맞춰 현장을 조정할지 여부이다. 적재 높이를 표준화하고, 시야를 확보하며, 부분 팔레트에 대한 환산 규칙에 합의하는 것이다. 현장이 기계가 읽을 수 있도록 표준화될수록, 카메라 계수가 신뢰를 유지하는 범위는 넓어진다. 현장이 그대로 유지될수록, 그 한계는 더욱 분명해진다. 공급업체를 비교하기 전에, 먼저 다음 질문에 솔직히 답하는 것이 더 유용할 수 있다. 카메라가 선명하게 볼 수 있도록, 우리는 일상의 습관 중 얼마나 바꾸려고 하는가.

Dr. Chen, 공급망 연구자 지음 영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.