[論文レビュー] Literature Review: Computer Vision Applications in Transportation Logistics and Warehousing

Alexander Naumann, Felix Hertlein+3 more|arXiv (Cornell University)|Apr 12, 2023

Advanced Manufacturing and Logistics Optimization被引用数 8

ひとこと要約

この論文は、輸送ロジスティクスと倉庫管理におけるコンピュータビジョンの構造化された文献レビューを提供し、監視（記録と検証）と操作というカテゴリに分類し、データセットと産業ソリューションを詳述します。

ABSTRACT

Computer vision applications in transportation logistics and warehousing have a huge potential for process automation. We present a structured literature review on research in the field to help leverage this potential. The literature is categorized w.r.t. the application, i.e. the task it tackles and w.r.t. the computer vision techniques that are used. Regarding applications, we subdivide the literature in two areas: Monitoring, i.e. observing and retrieving relevant information from the environment, and manipulation, where approaches are used to analyze and interact with the environment. Additionally, we point out directions for future research and link to recent developments in computer vision that are suitable for application in logistics. Finally, we present an overview of existing datasets and industrial solutions. The results of our analysis are also available online at https://a-nau.github.io/cv-in-logistics.

研究の動機と目的

• 適用分野（監視 vs. 操作）および使用されるコンピュータビジョンタスクごとに既存文献を分類する。
• 記録と検証のアプローチと代表的な論文を要約する。
• ロジスティクスCVにおけるデータセットと産業ソリューションの概要を提供する。
• 物流に適用可能な最新のCV開発との関連を探り、有望な方向性を特定する。

提案手法

• 適用エリア（監視 vs. 操作）および対応するCVタスクに基づいて文献を分類する。
• 表形式の要約を用いて記録と検証の文献を要約する。
• ロジスティクスCVに関連するデータセットと産業ソリューションを調査する。
• 将来の研究方向と最近のCV進展との統合について議論する。

実験結果

リサーチクエスチョン

• RQ1 輸送ロジスティクスと倉庫管理において、監視と操作で用いられるCV技術は何ですか。
• RQ2 ロジスティクスにおけるCVのためのデータセットと産業ソリューションは何があり、どのギャップが残っていますか。
• RQ3 ロジスティクス文脈におけるCV応用の主要な課題と今後の方向性は何ですか。

主な発見

• 本レビューは、記録（ラベル認識、アイテム認識、追跡、体積推定）と検証（完結性/占有、ガイドライン/要件、損傷/改ざん、文書分析）の文献の構造化されたマッピングを提示します。
• ラベル認識の文献はバーコードと危険物ラベルに焦点を当て、従来の画像処理から深層学習までのアプローチを含み、いくつかのデータセットとベンチマークが議論されています（例：1Dバーコード検出、ラベルデータセットのための合成データ）。
• アイテム認識にはLOCO（39,101枚の画像、パレット、小型荷受けキャリア、スタリッジ、 forklift、パレットトラックの境界ボックスが5,593件注釈）などのロジスティクス特有のデータセットを含み、小型荷受けキャリアとパレットに焦点を当てた合成＋実データのデータセット、Fine-tuning後のLOCOでBox AP50が約20.2など、さまざまなパフォーマンス指標。
• 追跡と追跡リストの文献は小包とパレットを対象とし、RGB-Dデータやリ識別技術を多用し、パレットブロックでリ識別精度が高い%レベル（例：一部の研究でAPが98%程度）を示すデータセットが複数ある。
• 体積推定の研究は一般にRGB-Dセットアップ（Kinect系システム）やモバイルデバイスアプローチを使用し、特定の構成で十数センチメートルレベルの誤差を達成。Cube R-CNNや他の3D/形状再構成法が有望な方向性として強調される。
• 本論文は産業規模のソリューションと公開データセットの概要も提供し、合成データ生成とオブジェクト検出/セグメンテーションの進歩を活用して実世界の物流タスクへの転移を改善する将来の機会を特定します。