AI 비전 시스템으로 자동화하는 로딩 도크의 팔레트 출하 검증
로딩 도크(Loading Dock)는 제품이 창고로 입고되거나, 다른 시설로 이동하거나, 고객에게 출하되기 전 거치는 마지막 점검 지점중 하나다. 대량 물류 환경에서는 모든 팔레트를 빠르고 정확하게 검증해야 하지만, 수많은 박스가 서로 비슷하게 보이고 출하 일정이 촉박한 상황에서는 수작업 바코드 스캔과 육안 검사를 일관되게 수행하기가 쉽지 않다.
기존 팔레트 검증 공정은 주로 휴대용 바코드 스캐너와 작업자의 육안 확인에 의존해 왔다. 작업자는 팔레트와 케이스 라벨을 스캔하고, 이를 출하 문서와 비교한 뒤, 누락·오출하·손상 제품이 없는지 샘플 검사 방식으로 확인한다.
그러나 출하 물량이 증가하고 제품 구성이 다양해지면서 이러한 수작업 방식은 확장성 측면에서 한계를 드러내기 시작했다. 특히 많은 박스 제품이 외관상 거의 동일하고, SKU 차이가 라벨이나 바코드로만 구분되는 경우에는 검증 작업의 난도가 더욱 높아진다.
▲ 일반적인 작업 흐름에서 팔레트 검증 공정은 휴대용 바코드 스캐너와 작업자의 육안 확인에 의존한다.
Challenge
출하 속도를 따라가지 못하는 수작업 검증
주거 공간 , 상업 공간, 실외 환경에 사용되는 바닥재와 기타 표면 솔루션을 생산하는 한 선도 제조업체도 팔레트 출하 작업에서 이같은 문제에 직면했다. 이 회사는 매일 대량의 박스형 바닥재 제품을 출하하고 있으며, 작업자는 각 팔레트가 다음 공정으로 이동하기 전에 정확한 제품과 수량으로 구성돼 있는지 확인해야 했다.
하지만 분주한 로딩 도크 환경에서 수작업 팔레트 검증을 일관되게 수행하기는 어려웠다. 작업자는 매 교대 시간 동안 수많은 라벨을 스캔하고 확인해야 했으며, 동시에 팔레트는 촉박한 일정에 맞춰 도크를 계속 통과하고 있었다. 바코드가 손상됐거나 판독이 어렵거나 누락된 경우에는 문제를 찾기 위해 여러 박스를 다시 스캔하거나 팔레트 전체를 직접 확인해야 하는 경우도 많았다.
휴대용 스캐너는 바코드가 판독됐는지 여부는 확인할 수 있었지 만, 팔레트 전체에 대한 완전한 시각 기록을 제공하거나 어떤 특정 박스에서 문제가 발생했는지를 쉽게 식별해주지는 못했다. 또한 샘플 검사 방식은 혼재 적재, 케이스 누락, 수량 오류 등을 놓칠 수 있는 위험을 안고 있었다.
이 제조 시설에는 주문 데이터와 팔레트 구성품을 대조하고, 일부 샘플이 아니라 눈에 보이는 모든 케이스를 확인하며, 문제가 발생한 영역을 작업자에게 직접 안내할 수 있는 보다 신뢰성 높은 검증 방식이 필요했다. 동시에 기존 PLC, WMS, ERP 인프라와 통합 돼야 했고, 기존 작업 흐름을 바꾸지 않으면서 추가 도크 도어로 확장할 수 있어야 했다.
▲ 휴대용 스캐너는 바코드 판독 여부는 확인할 수 있지만, 팔레트 전체의 시각 기록이나 문제 발생 위치를 제공하는 데에는 한계가 있다.
▲ Accella AI의 Dock Check 시스템은 딥러닝을 활용해 팔레트와 라벨을 감지하고, 박스 수량과 주문 데이터를 비교해 입출고 팔레트 검증을 자동화한다.
Solution
Dock Check로 팔레트 전면·후면 동시 검증
이 제조업체는 처리 속도를 늦추거나 추가 인력을 투입하지 않고 검증 공정을 개선하기 위해 Accella AI와 협력해 ‘Accella Dock Check’를 도입했다. Accella Dock Check는 로딩 도크에서 입고및 출고 팔레트 검증을 자동화하도록 설계된 비전 기반 AI 시스템 이다. Accella MFG Bot 플랫폼을 기반으로 구축된 이 시스템은 딥러닝을 활용해 케이스 수량을 계산하고, 라벨 위치를 찾고, 바코드를 판독하며, 팔레트가 도크를 떠나기 전에 불일치 사항을 표시한다.
이 시스템은 Fujinon 12mm 렌즈와 LUCID의 IP67 보호 렌즈 튜브가 장착된 LUCID Triton 24.5MP(TRI245S-CC) 카메라 2대를 사용한다. 한 대의 카메라는 각 팔레트의 전면을 촬영하고, 다른 한 대는 후면을 촬영한다. 이러한 구성은 팔레트가 검사 스테이션을 통과할 때 눈에 보이는 케이스와 라벨을 고해상도 이미지로 포착할 수 있도록 한다.
팔레트가 도착하면 라인의 PLC가 두 카메라를 동시에 트리거한 다. 촬영된 이미지는 Accella MFG Bot 플랫폼으로 전송되며, 이곳에서 딥러닝 모델이 팔레트를 감지하고, 눈에 보이는 라벨의 위치를 파악하고, 박스 수량을 계산하고, 바코드 및 인쇄 코드 정보를 판독한 뒤, 그 결과를 예상 주문 데이터와 비교한다.
팔레트가 예상 출하 내용과 일치하면 해당 팔레트는 도크 공정을 계속 진행한다. 반대로 시스템이 판독 불가능한 라벨, 누락된 케이스, 초과 케이스, 잘못된 SKU를 감지하면 PLC가 해당 불일치 사항을 표시하고, 작업자 디스플레이에는 팔레트 이미지 위에 문제가 발생한 영역이 직접 표시된다.
▲ LUCID의 IP67 Triton 24.5MP 카메라 2대는 팔레트 전면과 후면을 촬영해 케이스와 라벨의 고해상도 이미지를 확보한다.
Result
팔레트당 6~8초 검증으로 정확도와 추적성 향상
이번 도입 사례는 LUCID 카메라와 Accella Dock Check를 활용한 AI 기반 도크 검증 시스템이 수작업 검사 단계를 추가하지 않고도 출하 정확도와 추적성을 높일 수 있음을 보여준다. 고해상도 산업용 이미징과 딥러닝을 결합한 이 시스템은 팔레트 구성품을 검증하고, 외부에서 확인 가능한 케이스 수량을 계산하며, 라벨을 판독하고, 팔레트 이미지 위에 불일치 사항을 직접 표시한다.
각 팔레트는 약 6~8초 안에 검증할 수 있어, 고처리량 로딩 도크의 작업 흐름에도 적용할 수 있다. 작업자는 문제가 발생했는지 여부뿐 아니라, 팔레트의 어느 위치에서 문제가 발생했는지를 즉시 확인할 수 있기 때문에 라벨 보수, 오적재 박스 제거, 누락 품목 확인, 팔레트 구성 수정 등의 후속 조치를 보다 빠르게 수행할수 있다.
이러한 방식은 개별 바코드 판독 여부를 확인하는 수준을 넘어, 팔레트 단위의 시각 기록과 주문 데이터 대조, 문제 위치 안내를 하나의 검증 흐름으로 통합한다. 이번 사례는 물류와 제조 현장의 출하 검증 공정에서 머신비전과 딥러닝이 작업자 의사결정을 지원하고, 출하 오류를 줄이며, 출하 품질을 안정화하는 자동화 수단으로 활용될 수 있음을 보여준다.
자료제공: LUCID(www.thinklucid.com)
