Как депалетизация может принести пользу благодаря компьютерному зрению, робототехнике и машинному обучению

Благодаря достижениям в таких технологиях, как трехмерное машинное зрение, робототехника проникает во все сферы производственных процессов. Вспышка COVID-19 повысила осведомленность о насущной необходимости применения автоматизации для быстрого и точного выполнения заказов и эффективных цепочек поставок. Один конкретный аспект логистических процессов может обеспечить более высокий уровень производительности с внедрением интеллектуальной автоматизации — депаллетизация.

Что такое депаллетизация?

Депаллетизация процесс разгрузки поддонов с ящиками один за другим. В отличие от классической расслоения , в котором робот-захват захватывает весь поддон, «надеясь», что он захватит все коробки, которые на нем находятся, роботизированная депалетизация использует искусственный интеллект. Система распознает отдельные коробки, и робот размещает их одну за другой на конвейерной ленте или в другом заранее определенном месте.

Депаллетизация представляет собой более высокий уровень разгрузки поддонов и предлагает несколько преимуществ по сравнению с задержкой. Для него требуется меньшая площадь размещения — размер самого большого ящика в отличие от целого поддона. А благодаря меньшей полезной нагрузке можно использовать манипулятор и захват меньшего размера, что приводит к значительной экономии средств.

Трехмерное зрение и искусственный интеллект:секреты успеха

Лучшие системы депалетизации могут сделать процесс разгрузки поддонов, заполненных различными ящиками, безопасным, быстрым, эффективным, надежным и, в конечном итоге, рентабельным. Этого можно добиться, только сочетая трехмерное машинное зрение с интеллектуальными роботами на основе передовых алгоритмов машинного обучения.

Объем сканирования развернутого 3D-сканера должен быть достаточно большим, чтобы сканировать весь поддон с достаточного расстояния. Принимая во внимание минимальное пространство, необходимое для роботизированных манипуляций, сканер обычно необходимо устанавливать примерно на 3 метра над поддоном. Таким образом, выбор правильного 3D-сканера является первой предпосылкой для успешной депаллетизации.

Второй шаг — обучение ИИ этим данным изображения. Алгоритмы машинного обучения могут постоянно изучать и распознавать новые типы коробок, в том числе ящики разных размеров или неправильной формы, вызванные, например, повреждением. Это делает решения настолько универсальными, что разгрузка смешанных поддонов не представляет особых проблем. Коробки не нужно складывать по шаблону, их можно размещать случайным образом, даже под углом, и робот все равно сможет их собирать.

Умные системы также способны распознавать коробки, которые часто настолько плотно упакованы, что между ними трудно распознать зазор, который может составлять всего 0,5 миллиметра. Более слабые решения могут не отличить линию, разделяющую две коробки, от линии, очерчивающей отверстие одной конкретной коробки.

В других случаях может быть сложно распознать коробки с проблемными поверхностями, включая различные текстуры, блестящий или отражающий материал, выступающие ленты, узоры или изображения, которые «вводят в заблуждение» трехмерное зрение. Коробки с черным покрытием также могут вызывать проблемы.

Самый продвинутый способ сегментации отдельных блоков на основе текстуры и 3D-данных — это использование сверточной нейронной сети (CNN). Затем система может решить, какую коробку забрать (в первую очередь это коробки, расположенные на самом верху поддона), и как захватить ее, чтобы максимизировать мощность всасывания развернутого захвата.

Для безопасного манипулирования в пространстве между верхними ящиками и сканером система депалетизации должна учитывать возможный размер ящика. Это также важно для безопасного размещения коробки на конвейерной ленте. Это можно обеспечить, рассчитав высоту коробки на основе данных сканирования или используя оптический затвор, установленный на несколько сантиметров выше конвейерной ленты.

Когда коробка касается оптического луча, захват опускает ее. Таким образом, все коробки сбрасываются на одной высоте над конвейерной лентой. В этом большое преимущество депаллетизации по сравнению с отсрочкой, при которой ящики разной высоты в одном слое создают существенную проблему.

Робот может выполнять всю работу

Системы Photoneo, которые включают в себя 3D-зрение собственной разработки, представляют собой пример такой роботизированной депаллетизации. Система компании сканирует весь поддон, загруженный коробками, и передает результаты сканирования в набор данных 3D-текстуры.

Затем это сканирование обрабатывается алгоритмом машинного обучения Photoneo, обученным на более чем 5000 типов коробок. ИИ сразу распознает каждую коробку и отправляет команду роботу. Используя специально разработанный универсальный захват, робот выполняет захват с точностью +-3 мм. Таким образом, он может разгрузить 1000 коробок в час с точностью подбора 99,7%.

Системы депалетизации должны учитывать изменчивость

Если, несмотря на все расчеты, захват не может взять коробку из-за неровной поверхности или какого-либо другого препятствия, захват отправляет ответ и информирует пользователя о проблеме, чтобы можно было выполнить корректирующие действия. Время цикла обычно составляет менее 10 секунд в зависимости от типа робота, поверхности коробок и их содержимого, так как с некоторыми нужно манипулировать с большей чувствительностью, чем с другими.

Окружающая среда, робот и механические свойства определяют и ограничивают время цикла. Например, было бы невозможно ускорить и замедлить тяжелую коробку выше определенного физического предела. Если клиентам необходимо сократить время цикла и повысить производительность робота, они могут выбрать многозонный захват, способный захватывать несколько коробок одинаковой высоты одновременно. Затем захват опускает коробки одну за другой.

Секрет идеального разделения заключается в том, чтобы знать пределы размера области размещения, чтобы не брать больше коробок, чем можно безопасно сбросить, а также точно распознавать тип коробки, чтобы избежать захвата коробок разной высоты. Продукт Photoneo совместим с основными брендами роботов и работает «из коробки» без какого-либо обучения. Если попадаются новые типы ящиков, система способна переобучиться, что сокращает время, необходимое для развертывания и интеграции.

Адаптация депалетизации к среде, ориентированной на человека

Успешное решение по депаллетизации должно учитывать все вышеперечисленные факторы. Несмотря на то, что роботы могут показаться довольно простыми, алгоритмы машинного обучения должны быть достаточно надежными, чтобы справляться со всеми возможными проблемами, связанными с депаллетированием различных объектов. Разработчики и интеграторы должны продумать каждую деталь приложения и протестировать свои решения, прежде чем пользователи смогут оценить рентабельность инвестиций (ROI).

Кроме того, часто необходимо адаптировать робота к среде, ориентированной на человека. Хотя автоматизация развивается быстро, многие клиенты только постепенно адаптируют свои распределительные центры и склады, чтобы в полной мере использовать преимущества робототехники и ИИ.

Одна из основных проблем, связанных с ручной разгрузкой поддонов, заключается в размере и весе ящиков, а также в высоте, с которой их необходимо снимать. Ручные операции часто приводят к серьезным травмам, поэтому лучшие системы депалетизации помогают сотрудникам избежать рискованных или повторяющихся движений.

Например, Photoneo Depalletizer может собирать коробки весом до 50 кг без участия человека. Одним из самых больших преимуществ является то, что робот может работать без остановок и никогда не уставать.

Депаллетайзер с использованием 3D-зрения, искусственного интеллекта и роботизированной руки

ИИ =неограниченный потенциал?

Решения на основе ИИ, несомненно, являются путем в будущее, поскольку пользователям не нужно ничего проектировать, отлаживать или тестировать. Умные системы могут избавить интеграторов от бремени сложных расчетов и задач, связанных с 3D.

Однако они должны иметь некоторые базовые механические знания, в том числе о том, как работают различные типы захватов, какие из них подходят для захвата конкретной детали и как распределить все механические компоненты, развернутые в приложении, чтобы предотвратить сбои роботизированных манипуляций. или сканирование.

Интеграторы также должны знать потенциальные возможности конкретной системы, чтобы иметь возможность сопоставить ее с конкретными потребностями заказчика. Важно иметь в виду, что ИИ по-прежнему является лишь частью решения, и его не следует переоценивать. Интеграторам всегда потребуются определенные специальные знания для успешного развертывания интеллектуального решения для автоматизации.

Если все эти условия соблюдены, развертывание роботов для депаллетизации может помочь логистическим компаниям быстро окупить инвестиции, улучшить процессы цепочки поставок и повысить производительность. Они также помогают экономить время, сокращать расходы и защищать здоровье сотрудников, высвобождая их для выполнения задач, требующих творческого подхода и критического мышления.

Самая насущная проблема, стоящая сегодня как перед работниками, так и перед работодателями, заключается в том, как продолжать работать. Поскольку никто не может с уверенностью предсказать, когда мировая экономика оправится от остановки, вызванной COVID-19, сейчас самое подходящее время для автоматизации и оптимизации производственных процессов.

Эта статья была изначально опубликована Отчет о роботах.