표제지
국문요약
영문요약
목차
1. 서론 11
1.1. 연구 배경 및 목적 11
1.2. 선행 연구에 대한 고찰 14
1.2.1. 딥러닝 기반 제조 공장 내 AGV 객체 인식 연구 17
1.2.2. Depth 카메라를 활용한 박스 부피 측정 19
1.2.3. 2대의 고정 카메라를 활용한 박스 사이즈 추론 21
1.2.4. RFID를 활용한 박스 3차원 크기 측정 시스템 23
1.3. 본 연구에 대한 고찰 23
2. 본론 27
2.1. 선형회귀 분석 27
2.1.1. 단순선형회귀 27
2.1.2. 다중선형회귀 28
2.2. Depth 카메라 29
2.2.1. Depth 카메라 개념 29
2.2.2. 타 거리 인식 센서 방식 31
2.3. Google Colab 32
2.3.1. Google Colab 개념 32
2.3.2. 사용 라이브러리 33
3. 실험 34
3.1. 실험 환경 구성 34
3.2. Box Data 수집 36
3.2.1. 우체국 박스 규격과 부위별 명칭 37
3.2.2. 꼭짓점 데이터 수집 38
3.3. 박스 크기 추론 시스템 설계 40
3.3.1. 시스템 구성 40
3.3.2. 시스템 파라미터 생성 41
3.3.3. 길이 값 보정 식 설계 41
3.3.4. 거리에 따른 크기 보정 식 설계 47
3.3.5. 길이 및 거리 보정 식 결과 분석 50
3.3.6. 오차 보정 식 설계 및 결과 분석 53
4. 연구 결론 56
4.1. 연구 고찰 56
4.2. 향후 연구 59
참고문헌 61
별첨 1. 수집 박스 데이터 이미지 63
별첨 2. 입력 데이터와 시스템 출력 데이터 67
표 1. 선행 연구와 본 연구 제안 시스템의 하드웨어 구조 및 제약 26
표 2. Intel RealSense D435i 제품 사양 36
표 3. 우체국 박스 규격 37
표 4. 체적 추론 시스템 정확도 비교 및 분석 57
그림 1. 물류 현장 11
그림 2. 제한된 환경에서의 피킹 로봇의 동일 동작 작업 12
그림 3. 객체 인식(Object Detection) 출력 예시 15
그림 4. Image Segmentation 출력 예시 16
그림 5. 팔레트 인식 17
그림 6. 자율주행 AGV 17
그림 7. 연구 제안 물류 적재 시스템 19
그림 8. 고정 카메라 방식 시스템 구성도 21
그림 9. 실제 시스템 하드웨어 구성 22
그림 10. RFID 방식 시스템 구성도 23
그림 11. Stereo 방식 Depth 카메라 개념 30
그림 12. TOF 방식 개념도 30
그림 13. 라이다 센서 구조 31
그림 14. 라이다 센서 포인트 클라우드와 데이터 이해를 위한 군집화 결과 32
그림 15. Google Colab Cloud Computing 개략도 32
그림 16. 실험 환경 셋팅 34
그림 17. Intel RealSense D435i 제품 사진 35
그림 18. 우체국 박스 주요 부위별 명칭 정의 37
그림 19. 데이터 수집을 위한 박스 이미지 촬영 예시 38
그림 20. 이미지 데이터 획득 수 39
그림 21. 꼭짓점 좌표 데이터 수집 예시 39
그림 22. 시스템 구성 개요도 40
그림 23. 측면 각도 획득 44
그림 24. 길이 값 보정 식 선형회귀 결과 45
그림 25. 비율 방식을 활용하지 않은 길이 값 보정 선형회귀 상관관계 그래프 47
그림 26. 거리에 따른 크기 보정 식 선형회귀 결과 48
그림 27. 체적 추론 결과 정확도 비교 51
그림 28. 좌측 각도와 우측 각도 차이 값 추이 52
그림 29. 최종 박스 체적 추론 정확도 결과 54
그림 30. 박스 형태 변형 사례 58
그림 31. 박스 꼭짓점 부분 제거 사례 60