헬로티 김진희 기자 |
바코드 리더기는 생산 또는 물류에서 상품과 자재를 식별하는 데 사용되는 센서이다. 그들은 여러 표준 중 하나를 충족하는 바코드를 감지한 다음 상위 시스템에 바코드의 ID를 제공하여 이를 수행한다. 자동화된 응용 프로그램에서 이러한 장치를 사용할 때 주요 목표는 가능한 최고의 판독 품질을 달성하는 것이다.
기본적으로 바코드 판독기가 라벨을 감지할 때 이 작업을 수행하는 품질이 달라지며 이 품질을 백분율로 표시할 수 있다. 백분율은 감지된 대비와 관련이 있다. 값이 특정 임계값 미만이면 라벨을 더 이상 읽지 않는다.
시스템 운영자가 직면한 한 가지 과제는 바코드 판독기가 더 이상 충분한 판독 품질을 제공하지 않을 때 가능한 한 빨리 바코드 판독기를 찾고, 가능한 오류 소스에 대한 추가 데이터 없이 그 이유를 파악하는 것이다.
특히 대형 시스템(예: 최대 1,000개의 바코드 판독기 및 1km 길이의 운송 경로)에서 검색은 건초 더미에서 바늘을 찾는 것과 같다. 의심스러운 경우 기술자는 시간적 압박을 받는 동안 제대로 정렬되지 않은 센서 또는 직접 환경의 간섭 요인을 식별하기 위해 운송 물질의 전체 경로를 추적해야 한다.
바코드 판독기가 어느 정도 정렬되고 대부분의 시간에 성공적으로 읽히지만 가끔 라벨을 감지하지 못하는 경우와 같이 경계선의 경우 상황이 더 악화된다. 이는 바코드 판독기가 약간 기울어져 있거나 경계 영역에서만 읽거나 다른 요인(예: 불충분한 품질의 라벨)이 역할을 할 수 있기 때문일 수 있다.
읽기 품질에 영향을 미치는 요소
그러나 바코드 리더 자체를 이용하여 오류의 원인을 찾기 위해 해당 데이터를 생성하는 것은 특정 상황에서만 가능하다. 센서가 자체 상태를 모니터링하고 필요한 경우 OPC UA를 통해 상위 시스템으로 데이터를 전송하는 것은 사실이다. 그러나 이 자체 모니터링은 기능이 매우 제한적이다.
센서는 자체 보기만 고려한다. 즉, ‘나는 현재 읽고 있다’, ‘매우 잘 읽음’ 또는 ‘매우 못 읽음’과 같은 정보를 보낸다. 즉, 계산된 읽기 품질이다. 판독 품질이 좋지 않은 이유는 개별 장치로 식별할 수 없다. 이 경우 세 가지 가능한 영향 요인이 있다. 장치 자체, 바코드 라벨 및 환경의 간섭 요인이다. 바코드 판독기 자체와 관련된 오류 원인에는 감지할 라벨에 대한 정렬 불량 또는 기술적 오류가 있다.
결과적으로 라벨이 손상되거나 오염되거나 인쇄품질이 저하될 수 있으며, 이는 판독 품질을 저하시키거나 식별이 완전히 불가능할 수 있다. 환경의 간섭 요인으로는 진동, 먼지, 햇빛 또는 배경의 방사체로 인한 눈부심 등이 있다. 예를 들어 냉장 창고의 습도는 바코드 판독기의 스캔 창에 김서림이 발생하는 경우 방해 요인이 될 수 있다.
컨텍스트를 제공하는 인공 지능
AI는 다양한 원인을 서로 구별하는 데 도움이 될 수 있으며, 이를 통해 간섭이나 판독 품질 저하의 원인을 파악할 수 있다. 로이체(Leuze)는 자동차 제조업체와 협력하여 전반적인 맥락의 데이터로 센서를 강화하는 솔루션을 개발하고 있습니다.
이를 통해 설치 과정에서 고객을 위해 추가 작업이 생성되지 않고 바코드 판독기가 평소처럼 작동 가능한 상태를 유지할 수 있다는 장점이 있다. 데이터 볼륨이 큽니다. 많은 라벨은 프로세스 중에 많은 바코드 판독기를 통과하고 다양한 설치 위치에서 읽힌다. 이것이 전체적인 맥락의 기원이다. 수학적 용어로, 이 전체적인 문맥은 수많은 바코드 판독기, 훨씬 더 자주 나타나는 라벨, 판독기의 다양한 설치 위치 등 많은 미지의 방정식으로 설명될 수 있다.
모든 스테이션과 라벨에는 판독 품질 비율 측면에서 다른 결과가 있다. AI는 이 복잡한 방정식 시스템을 해결하고 판독 품질 저하가 항상 특정 바코드 판독기로 발생하는지, 하나의 라벨 또는 특정 라벨 종류로만 발생하는지, 아니면 항상 특정 설치 장소에서 발생하는지 묻는 질문에 답한다.
추천 알고리즘을 통한 기계 학습
이를 위해 로이체(Leuze)는 추천 알고리즘, 즉 AI 기반 추천 방법을 사용한다. 예를 들어 스트리밍 서비스에서 사용자 행동을 평가하고 이 분석을 기반으로 해당 영화나 시리즈를 추천하는 데 사용하는 것과 동일한 방법이다.
이 사용자 행동 유추에서 바코드는 영화에 해당하고 바코드 판독기는 스트리밍 서비스 사용자에 해당한다. 추천 알고리즘은 다양한 바코드 판독기에 대해 라벨을 다소 ‘매력적’으로 평가한다. 이러한 방식으로 어떤 센서 또는 특정 비율의 라벨이 ‘매력적이지 않은지’, 즉 경계선이거나 눈에 띄게 문제가 있는지 결정할 수 있다.
에지 장치 또는 클라우드
기술적으로는 고객 요구사항과 각 시스템에 따라 에지 디바이스나 클라우드를 통해 이 같은 AI 기반 솔루션을 구현할 수 있다. 에지 장치는 센서 그룹 근처에 위치한 별도의 장치로 센서 그룹의 데이터를 수집, 분석 및 전달한다.
여러 에지 장치를 서로 연결할 수 있다. 에지 장치는 단순히 데이터를 수집하고 평가하는 것 뿐만 아니라 분석을 센서로 다시 전송하는 양방향 통신이 가능하기 때문에 바코드 리더도 이 정보를 전달해 문제가 있다고 보고할 수 있다. 고객의 IT 아키텍처를 변경할 필요가 없다는 장점이 있다. 또는 별도의 위치의 데이터가 병합될 경우 클라우드를 통해 솔루션을 운영할 수 있다.
상당한 절감 가능성
AI를 사용하여 오류를 식별하는 로이체(Leuze)의 접근 방식은 시운전 및 시스템 작동 중에 큰 이점을 제공한다. 빠른 시운전으로 시간과 비용이 절약된다. 이 경우 판독 품질이 좋지 않은 원인을 즉시 파악하면 유용하다. 작동 중 이 방법을 사용하면 예측 유지보수가 가능하다.
즉, 시스템 셧다운이 곧 필요할 경우 시스템 운영자는 적시에 적절한 조치를 취할 수 있으며 예를 들어 사전에 제조 및 아웃소싱하여 고객에게 계속 공급할 수 있다. 어떤 경우에는 이러한 조기 발견을 용이하게 하기 위해 다년간의 데이터를 사용할 수 있다.
또한 시스템은 지속적으로 학습한다. 따라서 상품의 바코드 식별을 방해하는 요소를 빠르고 안정적으로 식별할 때 AI를 사용하는 것은 항상 가치있는 일이다.
