Система сортировки посылок и пакетов, автоматизированная с помощью ИИ

Ручное разделение огромных куч посылок и конвертов с последующей сортировкой и помещением их на конвейерную ленту становится затруднительным, особенно в часы пик. Автоматизация этого процесса может повысить производительность, сэкономить затраты и время, а также уменьшить количество травм. Роботизированная система разделения и сортировки на базе искусственного интеллекта становится необходимостью для логистических компаний, которые хотят идти в ногу с постоянно растущими потребностями электронной коммерции.

Выделение вручную — дело прошлого?

Потоки посылок испытывают резкие колебания в течение года, обычно достигая пика в период Черной пятницы и Рождества. Глобальные объемы посылок обычно растут со скоростью до 25 % в год.

Вспышка COVID-19 также проверила своевременное выполнение заказов. Ускоренная зависимость от электронной коммерции увеличила спрос на мощности. Это, в свою очередь, приводит к увеличению операционных расходов, связанных не только с необходимостью найма большего количества сотрудников, но и с самим процессом найма. Периоды, которые обычно считаются лучшими и наиболее прибыльными с точки зрения продаж, становятся худшими.

В дополнение к требованиям к пропускной способности и резким скачкам спроса здоровье и удовлетворенность работников являются проблемами для ручного разделения и сортировки. Сотрудники могут столкнуться со скукой из-за повторяющихся задач, а также с травмами из-за обращения с нестандартными тяжелыми предметами. Это может привести к расходам на компенсацию работникам и снижению производительности.

Зрение и робототехника спешат на помощь

Вышеуказанные проблемы можно решить, автоматизировав процесс разделения и сортировки, что может сделать затраты более предсказуемыми и обеспечить масштабируемость для пиковых нагрузок.

Самая передовая на сегодняшний день автоматизация сочетает в себе трехмерное машинное зрение, алгоритмы искусственного интеллекта и совместимость с основными брендами роботов. Кроме того, можно измерить качество и успех конкретной системы самовывоза. Обратимся к конкретным примерам. Какую выгоду может принести компания от внедрения автоматизированной системы, если ей необходимо отделять и сортировать большие неструктурированные партии посылок?

Например, Photoneo объединяет трехмерное машинное зрение, разработанное внутри компании, с алгоритмами, которые позволяют роботам собирать более 2250 посылок в час. Система машинного зрения предоставляет точные 3D-данные и обеспечивает точную локализацию, что обеспечивает точность захвата +/-3 мм.

Система отбора и сортировки Photoneo основана на предварительно обученной нейронной сети, которая может распознавать посылки из коробки, без какого-либо обучения, с коэффициентом успеха 95%.

Остальные 5% зависят от механических свойств посылок и материала. Например, если предмет имеет морщинистую поверхность или сделан из ткани, он может выпасть из захвата, и его придется поднимать снова. По словам Photoneo, такие объекты всегда успешно выбираются со второй попытки. Утверждается, что время цикла может достигать менее 1,5 секунд, и он совместим с рядом брендов роботов.

Одиночное сканирование или режим множественного выбора

Скорость работы зависит от выбранного режима сканирования. В режиме одиночного сканирования выполняется сканирование, обработка данных, локализация объекта и отправка роботу команды на его захват. Этот процесс повторяется для каждого объекта. Задержка обработки обычно не превышает 0,5 секунды.

Другой вариант — режим множественного выбора, в этом случае сканер/камера сканирует, система распознает все доступные для захвата объекты, и робот выбирает их один за другим без перерыва. Количество сканирований можно настроить для конкретного приложения. Поскольку в режиме множественного выбора нет задержки обработки, производительность выше, а время цикла ограничено только скоростью робота.

Видение и интеллект

Качество 3D-данных определяет успех автоматизированного решения по разделению и сортировке. Можно было бы иметь самую интеллектуальную систему, но без хороших 3D-данных, с которыми можно было бы работать и опираться, ее результаты были бы бесполезны. Хорошая 3D-камера должна обеспечивать высокое разрешение и точность, большой объем сканирования и глубину резкости, а также высокую скорость сканирования.

Другими важными факторами являются способность подавлять окружающий свет и работа по принципу «подключи и работай». Если развернутая 3D-камера предлагает все эти функции, система получает достаточно данных для ИИ, чтобы обработать их и успешно локализовать каждый объект.

Самый современный подход к сегментации и локализации посылок с помощью ИИ — это использование сверточных нейронных сетей, которые за последние несколько лет достигли больших успехов. Эти нейронные сети могут распознавать посылки, конверты и даже сумки любой формы, текстуры и материала, а также их размеры, положение и ориентацию.

Лучшие решения основаны на алгоритмах, которые были обучены на огромных базах данных объектов и поэтому могут легко и быстро обобщать и распознавать новые типы объектов, которые они никогда раньше не видели. Морщины, деформации и другие неровности не должны мешать быстрому распознаванию.

После успешного обнаружения и локализации робот получает команду выбрать определенный объект, а затем помещает его в заданное место, например на конвейерную ленту.

Основные проблемы с разделением

Разработчики роботизированных систем разделения сталкиваются с многочисленными проблемами. Серьезную проблему для трехмерного зрения представляют блестящие или отражающие поверхности, содержащие различные узоры и изображения или черные. Разновидности по фактуре также вызывают трудности. Посылки обычно нагромождаются беспорядочно, накладываются друг на друга, что затрудняет их локализацию.

Одна из самых больших проблем связана с характером пакетов — их форма деформирована, полна складок и складок, из-за чего роботу-захватчику чрезвычайно сложно их подобрать. Вот почему так важно сочетать высококачественное 3D-зрение с передовыми и сложными алгоритмами искусственного интеллекта — только эта мощная комбинация может надежно решить все вышеперечисленные задачи.

Расширение диапазона приложений

Использование решения для автоматизации на основе искусственного интеллекта не ограничивается простым разделением и сортировкой посылок. Если 3D-камера может сканировать движущиеся сцены в высоком качестве и с высокой скоростью, можно измерять упаковки на лету и сортировать их по размеру или другим критериям.

Например, Photoneo MotionCam-3D, способная фиксировать объекты, движущиеся со скоростью до 40 м/с, может достигать точности измерения 1 см и обеспечивает разрешение карты глубины ~2 Мпикс и 15 миллионов 3D-точек/с.

Системы, сочетающие в себе искусственный интеллект и трехмерное машинное зрение, также можно использовать для разворачивания или разворачивания мятых конвертов и посылок, а также для виртуального выполнения геометрических преобразований, чтобы улучшить читаемость OCR для дальнейшей обработки. Некоторые из этих систем также позволяют сортировать посылки на основе штрих-кодов.

Возможные приложения и возможности этих систем развиваются и расширяются вместе с достижениями в области искусственного интеллекта и машинного зрения, а также с требованиями рынка, которые определяют направление этого развития.

Роботизированное разделение может повысить безопасность, производительность и надежность, а также значительно сократить расходы. Автоматизация стала важнейшим инструментом оптимизации процессов в логистике. Склады и распределительные центры изо всех сил пытались удержать работников во время резкого увеличения потока посылок в праздничные дни, а теперь и из электронной коммерции во время пандемии COVID-19. Развертывание интеллектуальных роботов с визуальным контролем для разделения и сортировки огромных неструктурированных потоков посылок — способ ответить на эти вызовы.

Эта статья была изначально опубликована Отчет о роботах под заголовком:«Как разделение и сортировка посылок могут помочь роботам с искусственным интеллектом». .