Research Task · RT-W9 · 2025.05 · WMS AI
👁️ WMS AI - 컴퓨터 비전 기반 품질 검사
YOLOv8 객체 탐지 · 파손·미스피킹·라벨 3-way 검증 · 검수 시간 −82.2% · 박소연 선임연구원 · 연구노트 33p 대응
🎯 연구 배경
창고 입고·출고 검수는 상품 파손·미스피킹(SKU 오출)·라벨 오류를 육안으로 확인하는 단순 반복 작업이지만, 1일 1만 건 이상의 물동량 앞에서 작업자의 집중력 저하가 누적되어 누락률이 상승합니다. 수동 검수는 건당 평균 45초가 소요되고, 파손 탐지 누락률이 3.2%에 달해 하류 고객 클레임의 주요 원인이 됩니다. RT-W9은 카메라 + YOLOv8 기반 컴퓨터 비전으로 입고·출고 시 상품 파손·미스피킹·라벨 오류를 실시간 자동 탐지합니다. 검수 정확도 99% 이상, 검수 시간 80% 단축이 5월 목표이며, 실증 결과 검수 시간 45초 → 8초 (−82.2%), 파손 누락률 3.2% → 0.6%를 달성했습니다.
🧩 3-way 검수 카테고리 설계
단일 모델로 모든 오류를 처리하면 클래스 불균형과 도메인 간섭이 발생합니다. RT-W9은 탐지 대상을 파손·미스피킹·라벨 오류 3종으로 분리하고, 각각 적합한 알고리즘을 병렬 파이프라인으로 운영한 뒤 최종 판정 단계에서 AND 결합합니다.
📦 파손 탐지
94.7%
YOLOv8n-cls · defective prob
찌그러짐·균열·포장 훼손을 이진 분류(defective / ok)로 판정. probs["defective"] > 0.85 시 파손 확정. 경량 분류 모델로 Edge에서도 실시간 추론.
🎯 미스피킹
99.2%
Barcode scan × Vision SKU match
바코드 스캔 결과와 비전 기반 SKU 추론을 이중 검증. 둘이 일치하지 않으면 미스피킹 알람. 2중 검증으로 가장 높은 정밀도 확보.
🏷️ 라벨 오류
96.5%
OCR · regex · pattern match
라벨 영역 ROI 추출 후 OCR로 텍스트 획득, expected SKU와 패턴 매칭. 유통기한·로트번호 형식 불일치도 검출.
🧠 YOLOv8 객체 탐지 파이프라인
검수 시스템 코어는 ultralytics의 YOLOv8n-cls 분류 모델입니다. 파라미터 약 2.6M의 경량 모델로, CPU 단독에서도 건당 추론이 30fps 가능합니다. 검수 부스에 설치한 Edge Box(Jetson Nano 급)에서 바로 실행되므로 네트워크 왕복 지연이 없습니다.
# YOLOv8 기반 검수 시스템
model = YOLO("yolov8n-cls.pt") # 분류 모델
def inspect_item(image_path):
results = model(image_path)
defect_score = results[0].probs["defective"]
label_match = verify_label(results, expected_sku)
return {
"is_defective": defect_score > 0.85,
"label_ok": label_match,
"confidence": defect_score,
}
📉 5월 결과
✓ YOLOv8 + OCR + 바코드 3-way 검수 운영 (2025.05 기준)
건당 검수 시간
−82.2%
45초 → 8초 · 작업자 육안 제로
파손 탐지 누락률
0.6%
수동 3.2% → AI 0.6% · −81.3%
종합 정밀도
~97%
damage · mispick · label 가중 평균