Comment la vision industrielle et l'apprentissage profond peuvent-ils améliorer les opérations de logistique et d'entreposage ?

Selon l'indice Pitney Bowes Parcel Shipping Index 2021, 131 milliards de colis ont été expédiés dans le monde en 2020. Ce nombre devrait plus que doubler d’ici 2026, accéléré par la pandémie mondiale et la croissance du secteur du commerce électronique. À mesure que les achats au détail en ligne augmentent, la nécessité d’automatiser les processus de logistique, d’entrepôt et d’expédition est devenue une priorité.

La mesure des colis, l'inspection qualité, la lecture de codes-barres, la reconnaissance optique de caractères/vérification optique de caractères (OCR/OCV) et l'optimisation de la manutention (actuellement effectuées manuellement par de nombreuses entreprises) sont les éléments qui doivent être automatisés dans le étape critique de la chaîne de valeur de l’industrie du transport.

"Les entreprises de logistique, d'entreposage et de transport tentent d'accélérer leurs opérations. Mais la vitesse signifie que la précision et l'exactitude sont essentielles car on n'a pas le temps de gérer les erreurs. Fourni par Zebra Technologies Mark Wheeler, directeur des solutions de chaîne, a déclaré : « Lorsque vous réunissez ces trois éléments, vous obtenez un marché très ouvert pour essayer de nouvelles choses en combinant les technologies existantes et les nouvelles technologies de manière innovante. Une grande partie de l'innovation est centrée sur la vision industrielle. »

Robot guidé par vision

Dans un entrepôt ou un centre de distribution, les palettes de marchandises marquent généralement le début et la fin du processus d'entreposage. À leur entrée dans l’installation, les expéditions palettisées sont soit divisées en boîtes individuelles, soit stockées sous forme de palettes complètes. Les applications de dépalettisation sont passées d’une utilisation principalement humaine à des robots guidés par la vision. Lorsque le robot place l'article précédent sur le tapis roulant, la vision industrielle accélère le processus en localisant le prochain colis à prélever.

« La plupart des colis arrivent et quittent les entrepôts par lots de palettes », explique Garrett Place, responsable du développement commercial de la robotique chez ifm. « Leur voyage à travers l'entrepôt moderne est l'endroit où la vision industrielle est la plus utilisée, le cœur des applications en logistique 

.

Ben Carey, responsable principal des produits de vision logistique chez Cognex, convient que l'application de la vision industrielle dans la logistique couvre quatre domaines : la mesure, l'inspection, le guidage et l'identification. Chacun existe depuis le processus de réception entrant jusqu'au tri jusqu'aux points de contrôle sortants

.

Demandez à un développeur de solutions de vision industrielle quelle est la meilleure façon d'apporter de la répétabilité à votre cas d'utilisation et il vous dira probablement quelque chose sur la limitation du nombre de variables. Après tout, les variables créent des applications de pointe, mais la plupart des opérations d'entreposage et de logistique déplacent des colis. toutes les couleurs, tailles, formes et matériaux qui font également des choix technologiques. Créer des solutions est devenu extrêmement difficile

"Le défi de tri robotisé organisé par Amazon au cours des dernières années en est un bon exemple", a déclaré Place. C'est également le cas où la plupart des cas d'utilisation de la vision industrielle dans la logistique sont multi-caméras et constituent la principale raison de la multimodalité. Une seule caméra et une seule technologie ne suffisent pas pour gérer la variabilité de ces types d’applications. "

John Leonard, responsable du marketing produit de Zivid Company, est d'accord : "Les principales applications incluent la dépalettisation et la palettisation de boîtes à l'intérieur et à l'extérieur des installations. Entre ces opérations entrantes et sortantes se trouvent principalement les opérations de préparation de pièces et de préparation de commandes pour exécuter les commandes. Tout cela se fait selon des méthodes différentes, qui varient d'un endroit à l'autre. "

Ces méthodes incluent des robots mobiles autonomes (AMR) guidés par une vision 3D embarquée. Par exemple, un AMR peut gravir de manière autonome un mur d'entrepôt pour trouver et sélectionner des articles. Le robot peut également prélever des articles livrés par un convoyeur. D'autres robots mobiles peuvent transporter des articles vers des stations de vision pour inspecter le type et la quantité des marchandises

Le guide FlexShelf de Zebra fournit des configurations flexibles pour la taille et l'espacement des bacs, élargissant les types d'articles pouvant être prélevés à l'aide de l'AMR

.

Pour le stockage de charges complètes de palettes, de nombreux entrepôts déploient des véhicules à guidage automatique (AGV) pour prélever et stocker les palettes en vue de leur récupération. Pendant le transport, les AGV s'appuient sur la vision industrielle pour la posture des palettes et la détection des obstacles.

Lorsque les palettes entièrement chargées sont prêtes à quitter l'installation, l'AGV gère le mouvement tandis que les bras robotisés convertissent les caisses en palettes entièrement chargées à leur entrée. Les camions sont pesés et mesurés avant, ce qui fait du dimensionnement des palettes un autre cas d'utilisation puissant pour la machine. vision de la logistique

" L'industrie est passée d'une évaluation des tarifs de fret strictement en fonction du poids à une facturation en fonction du poids volumétrique, ce qui permet des mesures précises. Les mesures de taille sont plus importantes que jamais. « Les capteurs 3D intelligents jouent un rôle clé dans l'automatisation des processus d'emballage et de logistique, y compris le dimensionnement volumétrique, le tri et la détection des défauts de surface », a déclaré Daniel Howe, responsable du développement régional pour les Amériques chez LMI Technologies. "

De nombreux AMR et AGV utilisent la plateforme O3R d’ifm ​​pour la détection robotique. Il se compose d'une caméra compacte (caméra VGA et capteur de temps de vol) et d'une unité de traitement de vision (VPU) avec NVIDIA Jetson TX2 pour évaluer les données. Jusqu'à 6 caméras peuvent être connectées à des appareils basés sur Linux, y compris des capteurs d'autres sociétés.

Forte demande de vitesse et de débit accrus

Alors que les applications de logistique et d'entreposage sont confrontées à de nombreux défis, le besoin de vitesses et de débit plus élevés est constant. Les défis incluent les articles emballés dans des sacs en polyéthylène transparents, qui posent des problèmes d'imagerie en raison de la façon dont ils réfléchissent la lumière. D'autres opérations de prélèvement peuvent nécessiter la couleur dans le cadre du processus de détection des articles, ce qui peut nécessiter une vision 3D prenant en charge les informations de couleur dans les images.

Selon Leonard, l'étalonnage est un grand défi pour toutes les caméras 3D car elles sont conçues pour fonctionner dans la plage micrométrique et les chocs, les fluctuations de température et les vibrations courantes dans les environnements industriels peuvent facilement affecter l'étalonnage et donc la précision de la caméra 3D.

Certaines caméras, comme la caméra Zivid 3D, sont spécialement conçues et fabriquées pour fonctionner dans des environnements industriels, sont classées IP65 et disposent d'un calibrage automatique. Cela signifie que si la température change de 5 degrés en raison de l'ouverture et de la fermeture d'une grande porte à volet roulant (ce qui est courant dans les entrepôts logistiques), alors la caméra s'ajustera pour rester parfaitement calibrée.

LMI Corporation a développé le capteur Gocator 2490 à champ de vision ultra large, spécialement conçu pour fournir des mesures rapides et précises de la taille des colis pour l'expédition. Les cartons peuvent se déplacer sur le convoyeur à une vitesse de 2 m/s. Selon Howe, un seul capteur intelligent Gocator 2490 à large champ de vision peut scanner et mesurer toutes les dimensions de la boîte (largeur x hauteur x profondeur) à 800 Hz, avec une zone de numérisation de 1 m x 1 m, dans les trois dimensions ( x, fournit une résolution de 2,5 mm en Y, Z).

La résolution est suffisamment élevée pour que le Gocator 2490 puisse non seulement mesurer les dimensions de différentes tailles d'emballage, mais peut même détecter des défauts subtils dans l'emballage. Cette capacité d'inspection en ligne permet de déclencher une décision réussite/échec lorsqu'un colis défectueux est détecté.

Gocator 2490 offre également la possibilité d'aborder des applications d'emballage plus avancées telles que le remplissage d'espaces, qui implique de numériser un emballage ouvert contenant des articles et de déterminer la quantité de matériau d'emballage nécessaire pour remplir l'espace vide. Pour de telles applications, une configuration à double caméra permet d’éviter l’occlusion à l’intérieur d’une boîte ou d’un fourre-tout.

Deep Learning at the Edge

À mesure que la complexité du domaine de la logistique augmente de façon exponentielle, l'application de la vision industrielle est également confrontée à davantage de défis. Par exemple, en essayant de détecter différents types d'objets dans des orientations aléatoires sur un tapis roulant à grande vitesse, l'inspection par vision industrielle traditionnelle basée sur des règles rencontrera des difficultés dans ces situations.

Cependant, l'apprentissage automatique et l'apprentissage profond faciles à utiliser sur les plates-formes embarquées émergent pour résoudre des applications auparavant difficiles. Par exemple, l'In-Sight 2800 récemment lancé par Cognex propose un apprentissage de pointe facile à configurer et ne nécessite aucune programmation. Il trie rapidement et précisément tout, des boîtes aux valises en passant par les sacs en plastique, et fonctionne entièrement sur des caméras intelligentes.

« Des technologies telles que l'apprentissage de pointe sur l'In-Sight 2800 améliorent les taux d'inspection des colis, ce qui entraîne moins de retouches manuelles et permet une meilleure précision des commandes grâce à une automatisation plus avancée de la manutention », a déclaré Carey. « Nos clients bénéficient de vitesses de traitement accrues et moins d'interactions manuelles, permettant à ces entreprises de gérer la demande fluctuante sans modifier les effectifs, ce qui reste un défi dans l'environnement actuel de pénurie de main-d'œuvre "

Machines. La démocratisation de la vision

Par exemple, la plupart des technologies déployées dans. les entrepôts modernes, comprenant des caméras 2D et 3D et une puissance de calcul accrue, sont des itérations de méthodes connues auparavant. Ce qui est quelque peu nouveau, c'est l'exploitation de toutes ces technologies dans une stratégie multi-caméras et multimodale, combinée à la puissance de traitement à grande échelle du ML pour gérer les applications.

"Nous avions l'habitude de voir des solutions à fournisseur unique dans les entrepôts", a expliqué Place. "Maintenant, nous voyons une combinaison de plusieurs fournisseurs et technologies, chacun avec ses propres avantages, déployés ensemble pour résoudre les défis. Cette approche continuera à débloquez des cas d'utilisation jusqu'alors épargnés par la vision industrielle. Considérez-le comme une démocratisation de la vision industrielle dans l'entreposage et la logistique. Bien sûr, les caméras industrielles fournissent des données de meilleure qualité et plus reproductibles et les calculs sont plus rapides, mais rien ne change la donne. La plus grande avancée réside dans la facilité d’utilisation des composants dans une approche multi-technologique des problèmes d’entrepôt.

"La logistique évolue dans le sens de la robotique", a conclu Place. "La robotique est un problème d'intégration. La vision industrielle et sa complexité s'éloignent d'une seule caméra et se dirigent vers la réduction des frictions d'intégration de tous les composants requis dans un entrepôt moderne. » Cette approche nous amènera à la prochaine étape de ce voyage.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!