Wie können maschinelles Sehen und Deep Learning Logistik- und Lagerabläufe verbessern?

Laut dem Pitney Bowes Parcel Shipping Index 2021 wurden im Jahr 2020 weltweit 131 Milliarden Pakete versendet. Es wird erwartet, dass sich diese Zahl bis 2026 mehr als verdoppelt, beschleunigt durch die globale Pandemie und die wachsende E-Commerce-Branche. Da die Einkäufe im Online-Einzelhandel zunehmen, ist die Notwendigkeit, Logistik-, Lager- und Versandprozesse zu automatisieren, zu einer Priorität geworden.

Paketmessung, Qualitätsprüfung, Barcode-Lesung, optische Zeichenerkennung/optische Zeichenverifizierung (OCR/OCV) und Optimierung des Materialtransports (derzeit von vielen Unternehmen manuell durchgeführt) sind die Dinge, die in der automatisiert werden müssen Kritische Phase der Wertschöpfungskette der Transportindustrie.

„Logistik-, Lager- und Transportunternehmen versuchen, ihre Abläufe zu beschleunigen. Aber Geschwindigkeit bedeutet, dass Präzision und Genauigkeit unerlässlich sind, weil keine Zeit bleibt, sich mit Fehlern zu befassen. Es gibt auch Personalprobleme.“ Geliefert von Zebra Technologies Mark Wheeler, Director of Chain Solutions, sagte: „Wenn man diese drei Dinge zusammenfügt, entsteht ein sehr offener Markt, auf dem man neue Dinge ausprobieren kann, indem man bestehende und neue Technologien auf innovative Weise kombiniert.“

Vision Guided Robot

In einem Lager oder Distributionszentrum markieren Warenpaletten normalerweise den Beginn und das Ende des Lagerprozesses. Beim Eintreffen in der Anlage werden palettierte Sendungen entweder in einzelne Kartons zerlegt oder als komplette Paletten gelagert. Depalettierungsanwendungen haben sich von der primären Verwendung von Menschen auf die Verwendung von bildgesteuerten Robotern gewandelt. Während der Roboter den vorherigen Artikel auf das Förderband legt, beschleunigt die maschinelle Bildverarbeitung den Prozess, indem sie das nächste zu kommissionierende Paket lokalisiert.

„Die meisten Pakete kommen in Palettenladungen im Lager an und verlassen es“, sagt Garrett Place, Robotics Business Development bei ifm. „Auf ihrer Reise durch das moderne Lager kommen die meisten Bildverarbeitungsanwendungen zum Einsatz. Der Kern der Anwendungen in der Logistik

.“

Ben Carey, Senior Manager für Logistik-Vision-Produkte bei Cognex, stimmt zu, dass die Anwendung der maschinellen Bildverarbeitung in der Logistik vier Bereiche umfasst: Messung, Inspektion, Führung und Identifizierung. Jeder Bereich reicht vom eingehenden Wareneingangsprozess über die Sortierung bis hin zu den ausgehenden Kontrollpunkten

Fragen Sie einen Entwickler einer Bildverarbeitungslösung, wie Sie Wiederholbarkeit in Ihren Anwendungsfall bringen können, und er wird Ihnen wahrscheinlich etwas über die Begrenzung der Anzahl von Variablen sagen. Schließlich erstellen Variablen Edge-Anwendungen, aber die meisten Lager- und Logistikbetriebe bewegen Pakete Es ist extrem schwierig geworden, Lösungen für jede Farbe, Größe, Form und jedes Material zu finden.

„Die Robotic Sorting Challenge, die Amazon in den letzten Jahren veranstaltet hat, ist ein gutes Beispiel“, sagte Place Dies ist auch der Fall, wenn die meisten Anwendungsfälle für maschinelles Sehen in der Logistik Multikameras sind und der Hauptgrund für Multimodalität sind. Eine Kamera und eine Technologie reichen nicht aus, um die Variabilität dieser Art von Anwendungen zu bewältigen. „

John Leonard, Produktmarketingmanager bei Zivid Company, stimmt zu: „Zu den Hauptanwendungen gehört das Depalettieren und Palettieren von Kartons innerhalb und außerhalb von Einrichtungen.“ Zwischen diesen Ein- und Ausgangsvorgängen liegen vor allem Stückkommissionierungen und Kommissionierungen zur Auftragsabwicklung. Diese werden alle mit unterschiedlichen Methoden durchgeführt, die von Ort zu Ort unterschiedlich sind. „

Zu diesen Methoden gehören autonome mobile Roboter (AMR), die durch 3D-Vision an Bord gesteuert werden. Ein AMR kann beispielsweise autonom eine Lagerwand hochgehen, um Artikel zu finden und auszuwählen. Der Roboter kann auch Artikel auswählen, die von einem Förderband geliefert werden Andere mobile Roboter können Artikel zur Inspektion von Warentyp und -menge transportieren. Der FlexShelf Guide von Zebra bietet flexible Konfigurationen für Behältergröße und -abstände und erweitert so die Art der Artikel, die mit AMR kommissioniert werden können

Für die Lagerung vollständiger Palettenladungen setzen viele Lager automatisierte Transportfahrzeuge (FTS) ein, um Paletten zur Entnahme aufzunehmen und zu lagern. Während der Fahrt sind die AGVs auf maschinelles Sehen angewiesen, um die Paletten- und Kartonladungen während des gesamten Prozesses zu verfolgen.

Wenn voll beladene Paletten bereit sind, die Anlage zu verlassen, verwaltet das AGV die Bewegung, während Roboterarme die Kartons beim Einfahren in voll beladene Paletten umwandeln. Die LKWs werden vorher gewogen und gemessen, was die Palettengröße zu einem weiteren leistungsstarken Anwendungsfall für die Maschine macht Vision in der Logistik

“ Die Branche hat sich von der rein gewichtsbasierten Bewertung der Frachtraten zur Abrechnung nach Volumengewicht verlagert, wodurch präzise Größenmessungen wichtiger denn je sind. Daniel Howe, regionaler Entwicklungsleiter für Amerika bei LMI Technologies, sagte: „Intelligente 3D-Sensoren sind ein wichtiger Treiber für die Automatisierung von Verpackungs- und Logistikprozessen, einschließlich volumetrischer Dimensionierung, Sortierung und Erkennung von Oberflächenfehlern.“ „

Viele AMRs und AGVs nutzen die O3R-Plattform von ifm für die Robotererkennung. Es besteht aus einer Kompaktkamera (VGA-Kamera und Time-of-Flight-Sensor) und einer Vision Processing Unit (VPU) mit NVIDIA Jetson TX2 zur Auswertung der Daten. Bis zu 6 Kameras können an Linux-basierte Geräte angeschlossen werden, darunter auch Sensoren anderer Hersteller.

Hohe Nachfrage nach höherer Geschwindigkeit und Durchsatz

Logistik- und Lageranwendungen stehen zwar vor vielen Herausforderungen, aber die Der Bedarf an höheren Geschwindigkeiten und höherem Durchsatz bleibt unverändert. Zu den Herausforderungen gehören Artikel, die in durchsichtigen Polyesterbeuteln verpackt sind und aufgrund der Art und Weise, wie sie das Licht reflektieren, eine Herausforderung für die Bildgebung darstellen. Bei anderen Kommissioniervorgängen ist möglicherweise Farbe als Teil des Artikelerkennungsprozesses erforderlich, was möglicherweise eine 3D-Vision erfordert, die Farbinformationen in Bildern unterstützt.

Laut Leonard ist die Kalibrierung eine große Herausforderung für alle 3D-Kameras, da sie für den Betrieb im Mikrometerbereich ausgelegt sind, wo Stöße, Temperaturschwankungen und Vibrationen leicht Auswirkungen haben können Kalibrierung und damit die Genauigkeit von 3D-Kameras.

Einige Kameras, wie die Zivid 3D-Kamera, wurden speziell für den Einsatz in industriellen Umgebungen entwickelt und hergestellt, haben die Schutzart IP65 und verfügen über eine automatische Kalibrierung. Das heißt, wenn sich die Temperatur durch das Öffnen und Schließen eines großen Rolltors (was in Logistiklagern üblich ist) um 5 Grad ändert, passt sich die Kamera an, um perfekt kalibriert zu bleiben.

LMI Corporation hat den Gocator 2490-Sensor mit ultraweitem Sichtfeld entwickelt, der speziell für schnelle und genaue Messungen der Paketgröße für den Versand entwickelt wurde. Die Kartons können sich auf dem Förderband mit einer Geschwindigkeit von 2 m/s bewegen. Laut Howe kann ein einziger intelligenter Gocator 2490-Sensor mit großem Sichtfeld die gesamten Kastenabmessungen (Breite x Höhe x Tiefe) bei 800 Hz scannen und messen, mit einem Scanbereich von 1 m x 1 m, in allen drei Dimensionen ( x, bietet eine Auflösung von 2,5 mm in Y, Z).

Die Auflösung ist hoch genug, sodass der Gocator 2490 nicht nur die Abmessungen verschiedener Verpackungsgrößen messen, sondern sogar subtile Mängel in der Verpackung erkennen kann. Diese Online-Inspektionsfunktion ermöglicht die Auslösung einer Pass/Fail-Entscheidung, wenn ein defektes Paket erkannt wird.

Gocator 2490 bietet auch die Möglichkeit, anspruchsvollere Verpackungsanwendungen wie Lückenfüllung zu bewältigen, bei der eine offene Verpackung mit Artikeln gescannt und ermittelt wird, wie viel Verpackungsmaterial benötigt wird Fülle den leeren Raum. Bei solchen Anwendungen trägt eine Dual-Kamera-Konfiguration dazu bei, eine Verstopfung innerhalb einer Box oder eines Behälters zu vermeiden.

Edge Deep Learning

Da die Komplexität des Logistikbereichs exponentiell zunimmt, nimmt der Einsatz von maschinellem Sehen zu Es gibt auch mehr Herausforderungen. Wenn beispielsweise versucht wird, verschiedene Arten von Objekten in zufälliger Ausrichtung auf einem Hochgeschwindigkeitsförderband zu erkennen, stößt die herkömmliche regelbasierte Bildverarbeitungsinspektion in solchen Situationen auf Schwierigkeiten.

Es entstehen jedoch benutzerfreundliches maschinelles Lernen und Deep Learning in eingebetteten Plattformen, um bisher anspruchsvolle Anwendungen zu lösen. Beispielsweise verfügt das kürzlich eingeführte In-Sight 2800 von Cognex über Edge-Learning, das einfach einzurichten ist und keine Programmierung erfordert. Es sortiert schnell und präzise alles, von Kartons über Koffer bis hin zu Plastiktüten, und läuft vollständig auf intelligenten Kameras.

"Technologien wie Edge Learning auf dem In-Sight 2800 verbessern die Paketinspektionsraten, was zu weniger manueller Nacharbeit führt und eine bessere Automatisierung des Materialtransports durch fortschrittlichere "Unsere Kunden Profitieren Sie von höheren Verarbeitungsgeschwindigkeiten und weniger manuellen Interaktionen, sodass diese Unternehmen die schwankende Nachfrage bewältigen können, ohne den Personalbestand zu ändern, was in der heutigen Arbeitsumgebung ein Problem darstellt. Die Demokratisierung der maschinellen Bildverarbeitung

Zum Beispiel der Einsatz in modernen Lagerhäusern, einschließlich 2D- und 3D-Kameras und verbesserter Rechenleistung, sind Iterationen bisher bekannter Methoden . Etwas neu ist die Nutzung all dieser Technologien in einer Multikamera- und Multimodalstrategie, kombiniert mit der großen Verarbeitungsleistung von ML zur Verwaltung von Anwendungen. „Früher sahen wir in Lagern Lösungen von einem einzigen Anbieter“, erklärte Place. „Heute sehen wir mehrere Anbieter und Technologien. Eine Kombination von Anbietern und Technologien, jeder mit seinen eigenen Stärken, wird gemeinsam eingesetzt, um Herausforderungen zu lösen. Dieser Ansatz wird fortgesetzt.“ um Anwendungsfälle zu erschließen, die bisher von der maschinellen Bildverarbeitung nicht berührt wurden. Betrachten Sie es als die Demokratie der maschinellen Bildverarbeitung in der Lagerhaltung und Logistik Technologie. Sicher, Industriekameras liefern bessere, wiederholbare Daten und Berechnungen sind schneller, aber nichts verändert das Spiel. Der größte Fortschritt liegt in der Benutzerfreundlichkeit von Komponenten in einem Multi-Technologie-Ansatz zur Lösung von Lagerproblemen.

„Die Logistik bewegt sich in Richtung Robotik“, schloss Place, „Robotik ist ein Integrationsproblem. Maschinelles Sehen und seine Komplexität entwickeln sich aus einer einzigen Kamera. Dieser Ansatz.“ bringt uns zum nächsten Schritt auf diesem Weg, da sich der Schwerpunkt auf die Reduzierung der Integrationsreibung aller für ein modernes Lager erforderlichen Komponenten verlagert.

Das obige ist der detaillierte Inhalt vonWie können maschinelles Sehen und Deep Learning Logistik- und Lagerabläufe verbessern?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!