Революция в депаллетизации: компьютерное зрение, робототехника и машинное обучение

Благодаря прогрессу в таких технологиях, как 3D-машинное зрение, робототехника проникает во все сферы промышленных процессов. Вспышка COVID-19 усилила осознание острой необходимости применения автоматизации для быстрого и точного выполнения заказов и эффективных цепочек поставок. Один конкретный аспект логистических процессов может достичь более высокого уровня производительности при внедрении интеллектуальной автоматизации — депаллетизация.

Что такое депаллетизация?

Депаллетизация — это процесс разгрузки паллет, загруженных коробками, по одной. В отличие от классической деслойной разгрузки, при которой робот-захват собирает весь слой паллета, «надеясь», что он захватил все содержащиеся в нем коробки, роботизированная депаллетизация использует искусственный интеллект. Система распознает отдельные коробки, и робот размещает их по одной на конвейерной ленте или другом заранее определенном месте.

Депаллетизация представляет более высокий уровень разгрузки паллет и предлагает несколько преимуществ перед деслойной разгрузкой. Она требует меньшую площадь размещения — размер самой большой коробки в противовес всей паллете. И благодаря меньшей грузоподъемности можно использовать более мелкий манипулятор робота и захват, что приводит к значительной экономии затрат.

3D-зрение и ИИ — секреты успеха

Лучшие системы депаллетизации могут сделать процесс разгрузки паллет, заполненных различными коробками, безопасным, быстрым, эффективным, надежным и в конечном счете экономически эффективным. Это может быть достигнуто только путем сочетания 3D-машинного зрения с интеллектуальными роботами, основанными на передовых алгоритмах машинного обучения.

Объем сканирования используемого 3D-сканера должен быть достаточно большим, чтобы сканировать всю паллету с достаточного расстояния. Учитывая минимальное пространство, необходимое для роботизированного манипулирования, сканер обычно нужно монтировать примерно на высоте 3 метров над паллетой. Выбор правильного 3D-сканера — это первый предпосылка для успешной депаллетизации.

Второй этап — обучение ИИ на этих данных изображения. Алгоритмы машинного обучения могут постоянно учиться и распознавать новые типы коробок, включая те, что имеют разные размеры или неправильную форму, вызванную повреждением, например. Это делает решения настолько универсальными, что разгрузка смешанных паллет не составляет большой проблемы. Коробки не нужно укладывать в схемы — они могут быть размещены случайно, даже наклонены под углом, и робот все равно способен их собрать.

Умные системы также способны распознавать коробки, которые часто упакованы настолько плотно, что трудно распознать зазор между ними, который может быть тонким как 0,5 миллиметра. Более слабые решения могут не отличать линию, разделяющую две коробки, от контурной линии отверстия одной конкретной коробки.

В других случаях может быть сложно распознать коробки с проблемными поверхностями, включая меняющиеся текстуры, блестящие или отражающие материалы, выступающие ленты, узоры или рисунки, которые «вводят в заблуждение» 3D-зрение. Коробки с черным покрытием также могут вызывать проблемы.

Самый передовый способ сегментации отдельных коробок на основе текстуры и 3D-данных — использование сверточной нейронной сети (CNN). Система может затем решить, какую коробку собирать — коробки, размещенные на самом верху паллеты, идут первыми — и как ее захватить, чтобы максимизировать всасывающую мощность используемого захвата.

Для безопасного манипулирования в пространстве между верхними коробками и сканером система депаллетизации должна учитывать возможный размер коробки. Это также важно для безопасного размещения коробки на конвейерной ленте. Это можно обеспечить либо путем расчета высоты коробки из данных сканирования, либо с помощью оптического датчика, установленного на несколько сантиметров выше конвейерной ленты.

Когда коробка касается оптического луча, захват отпускает ее. Таким образом, все коробки сбрасываются на одной и той же высоте над конвейерной лентой. Это большое преимущество депаллетизации перед деслойной разгрузкой, при которой коробки разной высоты в одном слое создают значительную проблему.

Робот может выполнить всю работу

Системы Photoneo, включающие собственное 3D-зрение, являются примером такой роботизированной депаллетизации. Система компании сканирует всю паллету, загруженную коробками, и передает сканирование в 3D-текстурный набор данных.

Это сканирование затем обрабатывается алгоритмом машинного обучения Photoneo, обученным на более чем 5000 типах коробок. ИИ мгновенно распознает каждую коробку и отправляет команду роботу. Используя специально разработанный универсальный захват, робот выполняет действие сбора с точностью ±3 мм. Таким образом, он способен разгрузить 1000 коробок в час с точностью сбора 99,7%.

Системы депаллетизации должны учитывать вариабельность

Если, несмотря на все расчеты, захват не удается собрать коробку из-за сморщенной поверхности или другого препятствия, захват отправляет обратную связь и информирует пользователя о проблеме для принятия корректирующих действий. Время цикла обычно менее 10 секунд, в зависимости от типа робота, поверхности коробок и их содержимого, так как некоторые требуют более чувствительного манипулирования.

Окружение, робот и механические свойства определяют и ограничивают время цикла. Например, невозможно разогнать и затормозить тяжелую коробку выше определенного физического предела. В случае, если клиентам нужно ускорить время цикла и повысить производительность робота, они могут выбрать многозонный захват, способный собирать несколько коробок одинаковой высоты одновременно. Захват затем сбрасывает коробки одна за другой.

Секрет идеальной сингуляции — знать пределы размера зоны размещения, чтобы не брать больше коробок, чем можно безопасно сбросить, и точно распознавать тип коробки, чтобы не захватывать коробки с разной высотой. Продукт Photoneo совместим с ведущими брендами роботов и работает «из коробки» без какого-либо обучения. Если он сталкивается с новыми типами коробок, система способна переобучиться, что сокращает время, необходимое для внедрения и интеграции.

Адаптация депаллетизации к среде, ориентированной на человека

Успешное решение депаллетизации должно учитывать все вышеупомянутые факторы. Даже если роботы могут показаться довольно простыми, алгоритмы машинного обучения должны быть достаточно надежными, чтобы справляться со всеми возможными проблемами депаллетизации различных объектов. Разработчики и интеграторы должны думать о каждой детали приложения и тестировать свои решения, прежде чем пользователи смогут измерить возврат 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 паллет, заключается в размере и весе коробок, а также в высоте, с которой их нужно брать. Ручное выполнение операций часто приводит к серьезным травмам, поэтому лучшие системы депаллетизации помогают сотрудникам избегать рискованных или повторяющихся движений.

Например, Photoneo Depalletizer может собирать коробки весом до 50 кг без вмешательства человека. Одним из أعظم преимуществ является то, что робот может работать без остановки, никогда не уставляя.

Депаллетизатор с использованием 3D-зрения, ИИ и роботизированного манипулятора

ИИ = неограниченный потенциал?

ИИ-решения безусловно — путь в будущее, потому что пользователям не нужно проектировать, отлаживать или тестировать что-либо. Умные системы могут избавить интеграторов от бремени сложных 3D-связанных расчетов и задач.

Однако у них должно быть некоторое базовое механическое знание, включая то, как работают разные типы захватов, какие из них подходят для сбора конкретной детали, и как распределить все механические компоненты, используемые в приложении, чтобы предотвратить сбои роботизированного манипулирования или сканирования.

Интеграторы также должны знать потенциальные возможности конкретной системы, чтобы иметь возможность сопоставить их с конкретными потребностями клиента. Важно помнить, что ИИ — это лишь часть решения, и его не следует переоценивать. Интеграторам всегда понадобятся определенные специфические знания для успешного внедрения интеллектуального решения автоматизации.

Если все эти условия выполнены, внедрение роботов-депаллетизаторов может помочь логистическим компаниям получить быстрый ROI, улучшить процессы цепочки поставок и повысить свою производительность. Они также могут сэкономить время, снизить затраты и защитить здоровье работников, освобождая сотрудников для задач, требующих креативности и критического мышления.

Самый насущный вызов, стоящий сегодня перед сотрудниками и работодателями — как продолжить работу. Поскольку никто не может с уверенностью предсказать, когда глобальная экономика восстановится после остановок из-за COVID-19, сейчас самое время автоматизировать и оптимизировать производственные процессы.

Эта статья была впервые опубликована в The Robot Report.