오래전, 창고의 카메라는 누군가가 무슨 일이 일어나고 있는지 볼 수 있도록 존재했다. 그 변화가 바로 창고 머신비전 2D 대 3D 카메라 선정을 카탈로그 선택이 아니라 진짜 결정으로 만든 것이다. 오늘날 시스템 자체는 카메라가 보는 것으로 판단해야 한다. 코드를 읽고, 품목을 세고, 부피를 측정하고, 로봇 팔에 어디를 잡아야 하는지 알려주는 것이다. 카메라는 한 쌍의 눈에서 물리적인 손에 앞서는 감각 기관으로 바뀌었다. 바로 이 지점에서 가장 자주 묻는 선정 질문이 생긴다. 2D 카메라와 3D 카메라를 실제로 구분하는 것은 무엇이며, 그 경계선은 어디에 그어야 하는가.

장비 업체들이 발표한 선정 가이드에 따르면, 그 구분은 신비로운 것이 아니다. 2D 카메라는 평면 이미지를 기록하고 "이것이 무엇이며, 무엇이라고 적혀 있는가" 형태의 질문에 답한다. 3D 카메라는 깊이 정보를 더하고 "어디에 있으며, 얼마나 높으며, 어떤 모양인가" 형태의 질문에 답한다. 이는 거의 자명하게 들리지만, 특정 창고 작업에 적용되면 시스템이 아예 작동할 수 있는지를 결정한다. 중국 동부의 한 전자상거래 창고는 몇 년 전 분류 라인을 자동화하고 바코드 판독에 일반적인 2D 카메라를 사용해 하루 수만 개의 소포를 문제없이 처리했다. 나중에 같은 라인에 소포 부피 측정까지 요구되자, 아무리 많은 2D 이미지 처리로도 높이를 복원할 수 없었고, 하류에 별도의 측정 스테이션으로 3D 카메라를 추가해야 했다. 돈은 카메라 자체에 쓰인 것이 아니었다. 재작업에 쓰인 것이다.

한 자동차 부품 창고는 정반대의 이야기를 들려주며, 이 역시 교훈적이다. 더 진보한 것이 더 낫다는 추론으로, 그들은 판독 스테이션을 포함해 라인 전체에 3D 카메라를 지정했는데, 깊이 데이터는 누구도 살펴보지 않았다. 연산 부하, 캘리브레이션 노력, 유지보수 비용은 그래도 온전히 찾아왔다. 반년 뒤 검토에서 판독 스테이션은 2D로 되돌아갔고, 절약된 예산은 3D가 진정으로 필요했던 팔레타이징 스테이션으로 갔다. 두 사례를 함께 보면 같은 결론에 도달한다. 창고 머신비전 2D 대 3D 카메라 선정은 사양서가 아니라 작업에서 출발해야 한다. 카메라의 정교함이 항상 작업의 난이도를 따라가는 것은 아니기 때문이다.

창고 머신비전 2D 대 3D 카메라 선정은 작업에서 시작한다: 판독은 2D의 본거지이다

평면 작업은 2D의 본거지이다. 바코드와 QR 판독, 광학 문자 인식, 라벨 유무 및 위치 확인. 이 모든 정보는 이미 평면 위에 존재하며, 2D 이미지로 충분하다. 알고리즘은 성숙했고, 비용은 낮으며, 유지보수는 간단하다.마찬가지로 중요하게, 도입 장벽이 낮다. 조명 방식, 장착 각도, 캘리브레이션 절차는 모두 확립된 관행이며, 현장 엔지니어는 반나절 만에 판독 스테이션을 가동할 수 있다. 하루 수만 개 품목을 처리하는 판독 용도에서 2D는 기본 답이며, 3D를 추가하는 것은 아무도 요청하지 않은 데이터로 시스템에 부담만 줄 뿐이다.

2D 대 3D 카메라 선정의 경계선: 3D를 요구하는 세 가지 작업

경계선은 작업이 공간을 필요로 하는 순간 나타난다. 첫 번째 범주는 치수 측정이다. 큐빙, 부피 중량, 적재 이용률 계산은 추정치에 기댈 수 없다. 청구가 걸린 곳에서는 추정치가 통하지 않기 때문이다. 두 번째는 팔레타이징과 디팔레타이징으로, 적층 프로파일이 고르지 않고 층 수가 달라지며, 팔은 움직이기 전에 각 품목의 높이와 자세를 알아야 한다. 세 번째는 비정형 피킹과 혼합 케이스 분류로, 부품이 빈 안에 뒤죽박죽 쌓여 있고 평면 이미지는 윗층과 아랫층을 구분할 수 없다. 깊이 정보는 성공적인 파지의 전제 조건이다. 이 세 범주가 공유하는 점은 실패 비용이 인식 정확도가 아니라 물리적 결과로 측정된다는 것이다. 잘못된 파지, 짓눌린 품목, 잘못 계산된 부피는 모두 실제 돈의 손실이다.

작업 유형 2D 카메라 3D 카메라 선정 지침
바코드 및 문자 판독 충분히 가능 능력 과잉 2D 선택
라벨 유무 및 위치 확인 충분히 가능 능력 과잉 2D 선택
부피 및 치수 측정 추정치만 가능, 청구에는 사용 불가 직접적인 3차원 출력 3D 선택
팔레타이징 및 디팔레타이징 안내 높이와 자세를 판단할 수 없음 위치와 자세를 출력 3D 선택
비정형 피킹, 혼합 케이스 분류 층을 분리할 수 없음 가림과 적층을 해결 3D 선택

여기에는 주목할 만한 직관에 반하는 판단이 있다. 3D 카메라는 2D 카메라의 업그레이드 버전이 아니다. 둘은 같은 감각의 후속 세대라기보다 서로 다른 감각에 가깝다. 3D를 단순히 더 강한 2D로 취급하면 양방향으로 낭비가 생긴다. 결코 사용되지 않는 깊이 정보에 평면 작업에서 비용을 지불하는 것, 그리고 진정으로 공간적인 작업에서 고해상도 2D 이미지가 어떻게든 대체할 수 있다고 가정하고, 평면 사진에서 깊이를 끌어내려 현장 조정에 수주를 태우는 것이다. 선정의 진짜 비용은 결코 카메라 가격만이 아니었다. 캘리브레이션, 연산, 유지보수, 재작업을 포함하며, 총합을 세어보면 잘못된 방향으로 선택하는 것이 대개 카메라 간 가격 차이보다 훨씬 더 비싸다.

원인을 한 층 더 깊이 들여다보면, 두 카메라 유형 간 가격 격차는 좁아지고 있지만, 그렇다고 경계선이 사라지고 있다는 뜻은 아니다. 업체 간행물과 업계 전시회에 나온 제품 라인에 따르면, 보급형 3D 카메라는 확실히 몇 년 전보다 저렴해졌다. 동시에 2D 카메라도 발전하고 있어, 판독이 더 빨라지고 어려운 조명에서도 안정성이 좋아졌다. 두 라인 모두 발전하고 있으며, 그 사이의 선은 흐려지기보다 오히려 선명해졌다. 작업이 이제 더 세밀한 단위로 명세되기 때문이다. 창고는 더 이상 비전을 도입할지 자체를 묻지 않고, 특정 스테이션이 실제로 어떤 정보를 필요로 하는지를 묻는다.

추세 판단에 대해, 나의 경향은 하이브리드 도입이 앞으로 몇 년 안에 주류 패턴이 된다는 것이며, 그래서 창고 머신비전 2D 대 3D 카메라 선정은 현장 전체 구매가 아니라 스테이션별 결정으로 다루는 것이 가장 좋다. 판독과 검증 스테이션은 2D로 남아 비용 하한을 지키고, 치수 측정, 팔레타이징, 피킹 스테이션은 3D를 사용해 능력 상한을 지키며, 두 카메라 유형이 하나의 시스템 안에서 각자의 일을 한다. 한 가지 더 주목할 점이 있다. 깊이 정보의 가치는 그것을 정당화한 작업에만 국한되지 않을 수 있다. 부피 데이터는 청구와 적재 최적화에 되먹임되고, 파지 데이터는 취급 상품의 자세 라이브러리로 쌓인다. 기업이 오늘 3D에 지불하는 금액의 일부는 내일 데이터 자산에 대한 지불이었던 것으로 드러날 수 있다. 그 계산이 성립하는 것은 물론 기업이 실제로 데이터를 사용할 때뿐이다. 그렇지 않으면 그저 더 비싼 카메라를 산 셈이다.

결국 선정은 정보에 대한 판단이다. 2D가 작업이 필요로 하는 것을 공급할 수 있는가. 가능하다면 2D를 쓰고 사용되지 않을 능력에 비용을 지불하지 말라. 불가능하다면 3D를 채택하고 평면 이미지가 깊이를 키우기를 기대하지 말라. 알고리즘 발전과 함께 그 경계선 자체가 다시 움직일지는, 실제로 움직일 때 물어야 할 질문이다.

Dr. Chen, 공급망 연구자 지음

영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.