카메라 팔레트 계수: 시각 재고 집계가 잘하는 것과 실패하는 지점

카메라 팔레트 계수는 지난 2년 동안 창고에서 점점 더 많은 관심을 끌어왔고, 그 이유는 이해하기 쉽습니다. 재고 집계는 반복적이고 시간이 많이 걸리며 성수기에는 종종 미뤄지는 반면, 카메라 시스템은 작업을 멈추거나 팔레트를 하나씩 스캔하지 않고도 셀 수 있는 방법으로 보이기 때문입니다. 그러나 논의는 시스템이 셀 수 있는지를 묻는 단계에서, 도입에 실제로 중요한 보다 까다로운 질문들로 넘어가면 달라집니다. 어떤 조건에서 정확하게 세는지, 그 정확도는 어떻게 측정되는지, 그리고 사용 가치가 있기 전에 얼마나 정확해야 하는지가 그것입니다.

이 현상은 시연보다는 현장 조건을 통해 이해하는 것이 가장 좋습니다. 2024년 하반기에 저는 중국 동부의 제3자 물류 창고에서 파일럿 시스템을 관찰했습니다. 그곳에서는 천장 카메라가 완제품 스테이징 구역을 향하고 있었고, 소프트웨어는 층 수와 팔레트 총수를 보고했으며, 직원들은 화면에서 결과를 확인했습니다. 맑은 아침에는 깔끔하게 쌓인 팔레트에 거의 개입이 필요하지 않았습니다. 늦은 오후가 되면 측면 창문을 통해 낮은 각도로 빛이 들어오면서 그림자가 일부 팔레트의 가장자리를 길게 늘렸고, 시스템은 가끔 그림자를 한 층 더 있는 것으로 읽었습니다. 2025년 초 중국 북부의 전자상거래 창고에서 있었던 두 번째 사례는 다른 실패 양상을 보여주었습니다. 프로모션 기간 동안 팔레트가 통로 양쪽에 임시로 배치되었고, 앞쪽 팔레트가 뒤쪽 팔레트를 가렸으며, 시스템은 뒤쪽 개수를 과거 적재 패턴에서 추론할 수밖에 없었는데, 그 추론은 프로모션 적재 밀도가 바뀐 바로 그 시점에 무너졌습니다. 두 사례 모두 특정 알고리즘이 약하다는 것을 증명하지는 않습니다. 함께 시사하는 바는 카메라 팔레트 계수 정확도가 기술의 고정된 속성이 아니라, 장면, 조명, 적재 상태, 측정 프로토콜이 함께 만들어내는 결과라는 점입니다.

카메라 팔레트 계수 정확도에는 더 나은 분모가 필요하다

분모 없이 보고된 하나의 눈에 띄는 정확도 수치는 정보가 거의 없습니다. 더 유용한 질문은 표본에 무엇이 포함되었는지, 오류가 어디에 집중되었는지, 그리고 그 오류가 특정 유형의 팔레트에 집중되었는지입니다. 따라서 재사용 가능한 수용 프레임워크는 최소 네 가지 차원을 따라 표본을 나누어야 합니다. 팔레트 유형과 적재 방식, 시간대와 조명 조건, 가림 정도, 포장재가 그것입니다. 각 범주마다 수작업으로 검증된 기준 개수가 필요합니다. 그 기준이 없으면 정확도라는 용어에는 닻이 없습니다.

수작업 집계와의 비교도 주의가 필요합니다. 수작업 집계를 흠 없는 기준선으로 취급해서는 안 되기 때문입니다. 수작업 집계는 보통 일상적이고 깔끔하게 쌓였으며 물량이 적은 구역에서는 안정적이지만, 누락 집계, 중복 집계, 인수인계 오류의 확률은 높은 곳, 야간, 성수기, 그리고 여러 사람이 집계를 나눌 때 높아집니다. 더 공정한 비교는 추상적인 시각 대 사람이 아니라, 동일한 표본과 동일한 수용 규칙 하에서 두 방법의 오류 구조입니다. 시각 오류는 가림과 반사 같은 경계 조건에 집중되는 경향이 있고, 수작업 오류는 피로와 인수인계에 집중되는 경향이 있습니다. 분포가 다르기 때문에 해결책도 다릅니다. 전자는 장면 재설계와 더 넓은 표본 커버리지를 요구하고, 후자는 프로세스 통제와 검증 단계를 요구합니다.

조명, 가림, 고르지 않은 적재, 반사 필름은 각각 다르게 실패한다

조명 실패는 보통 밝기가 부족한 문제가 아니라 밝기 분포가 고르지 않은 문제입니다. 같은 구역도 아침과 늦은 오후에 완전히 다른 그림자 구조를 보일 수 있고, 학습 데이터가 하나의 조명 분포만 다뤘다면 시간대가 바뀔 때 시스템에 체계적인 편향이 생길 수 있습니다. 해결책은 단순히 빛을 더하는 것이 아니라, 표본이 하루 전체 조명 범위를 커버하도록 보장하거나, 보조 조명을 사용해 장면을 더 안정적인 분포로 좁히는 것입니다.

가림은 인식 문제라기보다는 정보 누락 문제에 가깝습니다. 뒤쪽 팔레트가 앞쪽 팔레트에 완전히 가려지면 카메라는 충분한 정보를 받지 못했고, 어떤 출력도 과거 적재 패턴에 기반한 추론일 수밖에 없습니다. 그 추론은 적재가 안정적인 구역에서는 잘 수행될 수 있지만, 프로모션, 반품 급증, 임시 스테이징 기간에는 패턴 자체가 바뀌고 추론 오류도 그에 따라 커집니다. 따라서 가림이 심한 구역에서는 첫 번째 질문이 알고리즘이 정확한지가 아니라, 레이아웃이 시각이 작동할 만큼 충분한 관찰 가능한 공간을 남기는지여야 합니다.

고르지 않은 적재와 반사 필름은 또 다른 범주에 속합니다. 고르지 않은 층은 층 자체의 정의를 모호하게 만듭니다. 기울거나 처지거나 거친 팔레트는 하나의 균일한 규칙으로 나눌 수 없기 때문이며, 반사 필름은 이미지 속 가장자리 정보를 지우는 밝은 얼룩을 만듭니다. 두 경우 모두 같은 결론을 가리킵니다. 시각 집계의 경계는 종종 알고리즘 내부가 아니라 상품과 포장의 물리적 상태에 있다는 것입니다. 적재 기준이 수렴하지 않았다면, 시각 시스템은 사실상 불안정한 현장 조건이 만들어낸 오류를 흡수하고 있는 셈입니다.

수용 지표는 확대보다 먼저 와야 한다

신중한 도입 경로는 작은 범위에서의 수용 지표로 시작하고, 그 후에야 확대를 고려합니다. 최소 세 가지 측정이 필요합니다. 하나의 전체 수치가 아니라 시나리오별 정확도, 오류 분포, 특히 시스템이 체계적으로 과다 집계하는지 과소 집계하는지(과다 집계와 과소 집계는 재고 결정에 비대칭적인 영향을 미치기 때문입니다), 그리고 불확실한 표본에 대한 인력 검토 비용입니다. 불확실한 부분이 여전히 상당한 수작업을 필요로 한다면, 인식 정확도의 개선이 자동으로 집계 효율 향상으로 이어지지는 않기 때문입니다.

여기서 직관에 반하는 점에 주목할 가치가 있습니다. 측정된 정확도가 가장 높은 파일럿 구역이 종종 확대하기에 가장 가치 있는 구역이 아닙니다. 가장 깔끔하고, 가장 밝으며, 가장 가림이 적은 구역은 당연히 가장 좋은 시각 성능을 보이지만, 그곳은 수작업 집계의 오류도 가장 적은 구역이므로 대체 가치가 제한됩니다. 수작업 집계가 가장 비용이 많이 들고 오류가 잦은 구역, 이를테면 높은 랙, 야간 근무, 대규모 임시 스테이징 구역은 종종 시각이 실패할 가능성이 가장 큰 구역이기도 합니다. 이러한 상충관계는 카메라 팔레트 계수의 가치가 기술 지표만으로는 판단할 수 없으며, 어느 구역의 어느 비용이 실제로 대체되는지에 달려 있음을 의미합니다.

시각 집계가 다음에 나아갈 가능성이 있는 방향

현재 개발 방향으로 판단할 때, 시각 집계는 완전한 대체 수단이 되기 전에 보조 검증 도구가 될 가능성이 더 큽니다. 적재가 표준화되고 조명을 제어할 수 있는 구역에서는 빈번한 표본 점검과 예외 알림을 지원할 수 있습니다. 가림이 심하고 적재가 불안정한 구역에서는 재고 수를 직접 공표하기보다 인력 검토가 필요한 팔레트 목록을 만드는 데 더 적합합니다. 카메라 배치, 보조 조명, 적재 기준이 개선되면 관찰 가능한 구역은 넓어지겠지만, 가림과 반사 같은 물리적 제약은 알고리즘이 개선된다고 해서 사라지지 않습니다.

그러면 추적할 가치가 있는 열린 질문이 남습니다. 앞으로 창고가 시각 집계를 수용하기 위해 적재, 조명, 통로 배치를 재설계한다면, 정확도가 개선될 때 우리가 정확히 측정하고 있는 것은 무엇일까요. 시각 기술 자체의 진보일까요, 아니면 현장 표준화의 진보일까요? 보고서에서는 두 가지가 비슷해 보이지만, 서로 다른 투자 결정을 함의합니다. 전자는 더 일반적인 기술을 시사하고, 후자는 현장을 개조하려는 창고만이 같은 혜택을 얻을 것임을 시사합니다. 그 구분이 더 명확해질 때까지 가장 유용한 입장은 카메라 팔레트 계수를 단독으로 판단할 수 있는 집계 방법이 아니라, 관찰하는 장면에 가치가 달려 있는 측정 시스템으로 취급하는 것일 수 있습니다.

Dr. Chen, 공급망 연구원 지음

영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.