지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 발행연도
- 2017
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수7
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
재고관리는 제조업에서 중요하게 다루어지는 주제로써 그 동안 다수의 연구가 진행되었으며, 바코드와 RFID(Radio Frequency Identification) 등 새로운 기술을 이용하여 계속 발전되어 왔다. 하지만 이러한 시스템 하에서도 정보 시스템에 저장되어 있는 재고의 수량과 실재 재고창고에 존재하는 재고의 수량의 차이가 존재하는 정물불일치의 현상이 발생하고 이를 해결하기 위해 대다수의 재고창고는 명절 등 휴가기간을 이용하여 연 1∼2회 재고 실사를 진행하는데 이 또한 완벽한 방법이 아니며 개선을 요한다. 따라서 새로운 기술과 방법론을 적용하여 재고관리 시스템의 개선이 필요하다.
이러한 필요성에 따라 본 연구에서는 3D카메라와 Deep Learning기술을 응용하여 새로운 재고관리 시스템을 제안하려 한다. 본 연구는 크게 세 부분으로 구성되어있다. 첫째, 3D카메라를 이용해 재고 구역의 RGB(Red-Green-Blue) & IR(Infrared)이미지를 취득하는 것. 둘째, 취득된 이미지 데이터와 Deep Learning(Convolutional Neural Network & Support Vector Machine)을 이용해 재고의 종류를 파악하는 것. 셋째, Depth 이미지를 이용해 재고의 수량을 파악하는 것이다. 본 연구는 여러 가정들과 제약들이 존재한다. 하지만 이와 같은 가정에서도 실제 산업에 적용될 수 있으리라 기대한다. 본 연구를 통해 재고관리 측면에서 전통적인 약점이었던 재고의 가시성을 증대시켜, 정물이 일치하는 자동 재고관리 시스템을 제안하고 검증하고자 한다.
이러한 필요성에 따라 본 연구에서는 3D카메라와 Deep Learning기술을 응용하여 새로운 재고관리 시스템을 제안하려 한다. 본 연구는 크게 세 부분으로 구성되어있다. 첫째, 3D카메라를 이용해 재고 구역의 RGB(Red-Green-Blue) & IR(Infrared)이미지를 취득하는 것. 둘째, 취득된 이미지 데이터와 Deep Learning(Convolutional Neural Network & Support Vector Machine)을 이용해 재고의 종류를 파악하는 것. 셋째, Depth 이미지를 이용해 재고의 수량을 파악하는 것이다. 본 연구는 여러 가정들과 제약들이 존재한다. 하지만 이와 같은 가정에서도 실제 산업에 적용될 수 있으리라 기대한다. 본 연구를 통해 재고관리 측면에서 전통적인 약점이었던 재고의 가시성을 증대시켜, 정물이 일치하는 자동 재고관리 시스템을 제안하고 검증하고자 한다.
목차
1. 서론 11.1 연구 배경 및 목적 11.2 연구의 범위 31.3 논문의 구성 42. 배경이론 및 관련연구 52.1 재고관리 방법론 52.1.1 바코드를 이용한 재고관리 52.1.2 RFID를 이용한 재고관리 62.1.3 이미지를 이용한 재고관리 72.1.4 기타 방법을 이용한 재고관리 82.2 배경이론 정리 92.2.1 3D카메라 원리 92.2.2 Support Vector Machine 102.2.3 Convolutional Neural Network 122.2.4 Cyber Physical System 132.2.5 Edge Detection 132.2.6 Camera Calibration 153. Deep-Learning과 3D카메라를 이용한 재고관리 제안 173.1 통합 재고관리 시스템 173.1.1 통합 재고관리 시스템 구조 173.1.2 통합 재고관리 시스템 실행 방안 193.2 데이터 취득 및 전처리 단계 223.2.1 Camera Calibration 223.2.1 Depth Data 변환 233.3 데이터 분석 단계 243.3.1 Edge Detection을 이용한 재고구역 추출 253.3.2 CNN과 SVM을 이용한 재고 종류 확인 263.3.3 재고 개수 파악 연산 273.4 최종 재고량 파악 및 확인 단계 294. 사례연구 304.1 실험 설계 304.1.1 실험 개요 304.1.2 실험 가정 사항 304.2 실험 과정 314.2.1 실험 세팅 314.2.2 3D카메라를 이용한 데이터 취득 및 전처리 354.2.3 Deep-Learning을 이용한 재고 물품 확인 374.2.4 재고량 확인 394.3 실험 결과 분석 404.3.1 실험 정확도 분석 404.3.2 기존 재고관리 기법의 장단점 434.3.3 본 연구와 기존 재고관리 기법과의 비교분석 445. 결론 및 추후 연구과제 455.1 요약 및 연구의 의의 455.2 한계점 475.3 추후 연구 과제 48참고문헌 50Abstract 56
최근 본 자료
댓글(0)
0