ИИ-система сингуляции и сортировки посылок: повышение эффективности и сокращение трудозатрат

Ручное разделение огромных куч посылок и конвертов, а затем их сортировка и размещение на конвейерной ленте становится серьезной проблемой, особенно в пиковые периоды. Автоматизация этого процесса может повысить производительность, сэкономить затраты и время, а также снизить количество травм. Роботизированная система сингуляции и сортировки на базе искусственного интеллекта становится необходимостью для логистических компаний, желающих справиться с растущими требованиями электронной коммерции.

Ручная сингуляция — пережиток прошлого?

Потоки посылок испытывают значительные колебания в течение года, обычно достигая пика в период «Черной пятницы» и Рождественских праздников. Глобальные объемы посылок растут со скоростью до 25% в год.

Вспышка COVID-19 также проверила способность к своевременному выполнению заказов. Ускоренная зависимость от электронной коммерции увеличила спрос на мощности. Это, в свою очередь, ведет к росту операционных затрат, связанных не только с необходимостью нанять больше сотрудников, но и с самим процессом рекрутинга. Периоды, которые обычно считаются самыми выгодными с точки зрения продаж, становятся самыми сложными.

Помимо требований к пропускной способности и скачков спроса, здоровье и удовлетворенность работников — это проблемы ручной сингуляции и сортировки. Сотрудники сталкиваются со скукой от повторяющихся задач, а также риском травм при перемещении неправильной формы тяжелых предметов. Это может привести к расходам на компенсацию рабочим и снижению производительности.

Машинное зрение и робототехника на помощь

Указанные проблемы можно решить путем автоматизации процесса сингуляции и сортировки, что делает затраты более предсказуемыми и обеспечивает масштабируемость при пиковых нагрузках.

Самые передовые решения автоматизации сегодня сочетают 3D-машинное зрение, алгоритмы ИИ и совместимость с ведущими брендами роботов. Также возможно измерение качества и успеха конкретной системы pick-and-place. Рассмотрим конкретные примеры. Как компания может выиграть от внедрения автоматизированной системы, если ей нужно разделять и сортировать большие неструктурированные потоки посылок?

Например, Photoneo интегрирует собственное 3D-машинное зрение с алгоритмами, позволяющими роботам собирать более 2250 посылок в час. Система зрения обеспечивает точные 3D-данные и точную локализацию, обеспечивая точность захвата ±3 мм.

Система сингуляции и сортировки Photoneo основана на предварительно обученной нейронной сети, которая может распознавать посылки «из коробки» без какого-либо обучения, с процентом успешного сбора 95%.

Оставшиеся 5% обусловлены механическими свойствами посылок и материалом. Например, если у объекта морщинистая поверхность или он сделан из ткани, он может выпасть из захвата и потребовать повторного сбора. По словам Photoneo, такие объекты всегда успешно собираются со второй попытки. Заявленный цикл менее 1,5 секунд, система совместима с рядом брендов роботов.

Режим однократного сканирования против режима мульти-сбора

Скорость работы зависит от выбранного режима сканирования. Режим однократного сканирования выполняет сканирование, обрабатывает данные, локализует объект и отправляет команду роботу на его сбор. Этот процесс повторяется для каждого объекта. Задержка обработки обычно не превышает 0,5 секунды.

Другой вариант — режим мульти-сбора: сканер/камера делает сканирование, система распознает все собираемые объекты, и робот собирает их один за другим без прерывания. Количество сканирований можно подстроить под конкретное приложение. Поскольку в режиме мульти-сбора нет задержки обработки, производительность выше, а время цикла ограничено только скоростью робота.

Зрение и интеллект

Качество 3D-данных определяет успех автоматизированного решения для сингуляции и сортировки. Можно иметь самую интеллектуальную систему, но без качественных 3D-данных для работы ее результат будет бесполезен. Хорошая 3D-камера должна обеспечивать высокое разрешение и точность, большой объем сканирования и глубину резкости, а также высокую скорость сканирования.

Другие важные факторы — способность подавлять окружающий свет и «plug-and-play» производительность. Если используемая 3D-камера предлагает все эти функции, система получает достаточно данных для их обработки ИИ и успешной локализации каждого объекта.

Самый современный подход к сегментации и локализации посылок на базе ИИ — использование сверточных нейронных сетей, которые за последние годы сделали большой прогресс. Эти сети могут распознавать посылки, конверты и даже мешки любой формы, текстуры и материала, а также их размеры, положение и ориентацию.

Лучшие решения основаны на алгоритмах, обученных на огромных базах данных объектов, и поэтому могут легко и быстро обобщать и распознавать новые типы объектов, которых они никогда не «видели» раньше. Морщины, деформации и другие неправильности не должны препятствовать быстрому распознаванию.

После успешного обнаружения и локализации робот получает команду собрать конкретный объект и поместить его в заранее определенное место, например, на конвейерную ленту.

Основные проблемы сингуляции

Разработчики роботизированных систем сингуляции сталкиваются со множеством проблем. Главная проблема для 3D-зрения представляют поверхности, которые блестят или отражают свет, содержат различные узоры и рисунки, или черные. Разнообразие текстур также вызывает трудности. Посылки обычно навалены неструктурированным образом, перекрывая друг друга, что затрудняет их локализацию.

Одна из крупнейших проблем кроется в природе мешков — их форма деформирована, полна складок и морщин, что делает крайне сложным для робота-захвата их сбор. Именно поэтому так важно сочетать высококачественное 3D-зрение с продвинутыми и сложными алгоритмами ИИ — только эта мощная комбинация может надежно решать все перечисленные проблемы.

Расширение области применения

Использование ИИ-автоматизации не ограничивается простой сингуляцией и сортировкой посылок. Если 3D-камера может сканировать движущиеся сцены высокого качества и с высокой скоростью, становится возможным измерение посылок на лету и их сортировка по размеру или другим критериям.

Например, Photoneo MotionCam-3D, способный захватывать объекты, движущиеся со скоростью до 40 м/с, достигает точности измерения 1 см и обеспечивает разрешение карты глубины ~2 Мп и 15 миллионов 3D-точек в секунду.

Системы, сочетающие ИИ и 3D-машинное зрение, также могут использоваться для разглаживания или распаковки помятых конвертов и посылок — и виртуального выполнения геометрических преобразований — для улучшения читаемости OCR для дальнейшей обработки. Некоторые из этих систем также позволяют сортировку посылок по штрих-кодам.

Возможные приложения и возможности этих систем развиваются и расширяются вместе с прогрессом ИИ и машинного зрения, а также с рыночными требованиями, диктующими направление этого развития.

Роботизированная сингуляция может повысить безопасность, производительность и надежность, а также значительно сократить затраты. Автоматизация стала ключевым инструментом для оптимизации процессов в логистике. Склады и распределительные центры боролись с удержанием работников при огромном увеличении потока посылок в праздничный период и теперь из-за электронной коммерции во время пандемии COVID-19. Внедрение роботизированных систем с машинным зрением и интеллектом для сингуляции и сортировки огромных неструктурированных потоков посылок — это способ ответить на эти вызовы.

Эта статья была впервые опубликована в The Robot Report под заголовком: «Как сингуляция и сортировка посылок могут выиграть от роботизированных систем на базе ИИ».