Anzeige

Null-Fehler-Logistik

Machine Learning für anspruchsvolle Sortiervorgänge

Mit gestiegenen Umschlagvolumina im B2C- und B2B-Warenversand stoßen traditionelle Technologien in der Logistik und Intralogistik an ihre Grenzen. Vor allem die schwierige Sortierung unterschiedlichster Packstücke verbraucht manuelle Ressourcen, dauert lang, ist fehleranfällig und verursacht hohe Kosten. Bildverarbeitung gepaart mit künstlicher Intelligenz hilft erstmals komplexen Sortiervorgänge zu automatisieren.

 Dank verarbeitung und Machine Learning lassen sich Zusammenh?nge en und Erkenntnisse ableiten, die vorher unsichtbar waren. Die verarbeitung avanciert so vom blo?en Inspektor zum Produktionsoptimierer. (Bild: ?GraphicCompressor / Fotolia.com)

Dank verarbeitung und Machine Learning lassen sich Zusammenhänge en und Erkenntnisse ableiten, die vorher unsichtbar waren. Die verarbeitung avanciert so vom bloßen Inspektor zum Produktionsoptimierer. (Bild: ©GraphicCompressor / Fotolia.com)

Mittels Bildverarbeitung erhobene Daten stellen die Basis für das sogenannte Machine Learning als nächsten Evolutionsschritt der Automatisierung in logistischen Prozessen dar. Mit kognitiven Lernprozessen anhand großer Datenmengen lernen Maschinen selbst, ob z.B. ein bestimmtes Packstück beschädigt ist, wie es klassifiziert und sortiert werden muss und ob es korrekt verschlossen ist. Auf Basis dieser künstlichen Intelligenz können logistische Prozesse vollautomatisiert gesteuert werden. Für Intralogistiker aller Branchen, größere E-Commerce-Versender sowie Versand- und Paketdienstleister ist die Sortierung unterschiedlichsten Sendungen zur korrekten Weiterverarbeitung eine der größten Herausforderungen. Uneinheitliche Verpackungen machen eine maschinelle Sortierung fast unmöglich. Aufgrund der Vielzahl der verschiedenen Größenklassen und Formen, der Vielzahl der verwendeten Verpackungsmaterialien sowie der Stapelung und Häufung der Pakete auf dem Förderband sind die einzelnen Pakete mit herkömmlichen Technologien nicht erfassbar. Der Sortiervorgang ist daher auch bei hohen Umschlagvolumina noch stark manuell geprägt. Dies führt zum einen zu hohen Kosten sowie zu langsamen und fehleranfälligen Sortiervorgängen.

Vollautomatische Sortierung im E-Commerce

Bei diesen Vorgängen, die herkömmlicherweise kognitive Fähigkeiten erfordern, können Machine Learning Ansätze verfolgt werden. Machine Learning bezeichnet die Möglichkeit einem Algorithmus selbstlernende Fähigkeiten zu verleihen. Dazu werden dem Algorithmus zunächst eine hohe Anzahl an Bilddaten zur Verfügung gestellt, z.B. zehntausende Bilder von auf einem Förderband gestapelten Paketen. Für den Computer bedeutet dies zunächst Chaos. Anschließend werden die Bilddaten durch einen Menschen vorklassifiziert. Dem Algorithmus wird gesagt ‚Das ist ein Paket’und anhand individueller Merkmale kann der PC die Packstücke anschließend selbst in Kategorien einteilen. Diese Klassifizierungen finden durch die Anwendung eines neuronalen Netzes statt. Das neuronale Netz ist in diesem Fall gleichbedeutend mit Deep Learning und stellt einen mehrstufigen, rechenaufwendigen Prozess dar, der Daten über mehrere Stufen separiert und so die Klassifizierungen vornimmt. Die intelligente Leistung des Algorithmus liegt darin, dass er Bildmuster erkennt und anhand der vorher getätigten Klassifizierung lernt, warum und anhand welcher Merkmale diese Klassifizierung existiert. Die Maschine lernt in diesem Fall, anhand welcher Parameter ein Paket als Paket einzustufen ist. Damit kann der Algorithmus zukünftige einzelne Objekte selbstständig klassifizieren. Machine Learning kommt dort zum Einsatz, wo die bildgebende Sensortechnik ihre Grenzen erreicht. Beispielsweise in der Sortierung von Packstücken unterschiedlichster Art. Mit 3D-Scannern wäre eine Identifizierung der Form nur unzureichend und bei niedriger Geschwindigkeit möglich. Für eine angeschlossene Anlage mit Greifroboter stellt dies potenzielle Sortierungenauigkeiten, Fehlleitungen, Anlagenausfälle, Wartezeiten und aufwendige manuelle Nachbereitung dar. Machine Learning gesteuerte Anlagen dagegen erkennen anhand des gelernten Klassifikationsschemas exakt die Pakete und deren Form und der Roboter kann die Sortiervorgänge vollständig maschinell und in erhöhter Geschwindigkeit durchführen. Die Daten werden zuerst von einem Kamerasystem erfasst und in einer lokalen Recheneinheit analysiert. Der Algorithmus sieht das Bild, prozessiert, ob und welche seiner gelernten Muster er erkennt und kann damit den Sortiervorgang komplett automatisch steuern bzw. Handlungsbefehle an die nachgelagerten Systemschritte triggern. Gleichzeitig lernt der Algorithmus mit jedem Bild weiter und verfeinert seine Kriterien.

Strategischer Wettbewerbsvorteil

 Mit Nutzung der mittels verarbeitung und Machine Learning ausgewerteten Daten ist erstmals eine l?ckenlose Analyse der gesamten Logistikzyklen m?glich. (Bild: Framos GmbH)

Mit Nutzung der mittels verarbeitung und Machine Learning ausgewerteten Daten ist erstmals eine lückenlose Analyse der gesamten Logistikzyklen möglich. (Bild: Framos GmbH)

In automatisierten Versandprozessen werden im wahrsten Sinne des Wortes am laufenden Band Echtzeit-Entscheidungen auf unvorhersehbare Ereignisse mit ständig wechselnden Kriterien getroffen. Die mit Machine Learning angereicherte Bildverarbeitungsalgorithmen versetzen die Logistikanlagen in die Lage, selbstständig valide Entscheidungen zu treffen. Damit rückt das Ziel der Null-Fehler-Logistik sowie eine präventive Fehlervermeidung in greifbare Nähe. Mit den riesigen Datenmengen der intelligenten Algorithmen lassen sich verlässlichere Prognosen bilden und optionale Handlungsoptionen für eine strategisch orientierte Planung ableiten. Die mit der Vernetzung von Sensortechnik und Datenbanken realisierte optimale Anlagen- und Kontingentausnutzung ist eine gute Basis, um neben dem vereinfachten Workflow mit den verbundenen Ressourceneinsparungen auch über die Verhandlung mit externen Dienstleistern geringstmögliche Handlingskosten zu erreichen. Die Durchlaufzeit der Packstücke durch die Logistikkette sowie der anschließende Versand wird beschleunigt und weniger fehleranfällig gestaltet, womit auch die Kundenzufriedenheit wächst.

Anzeige

Empfehlungen der Redaktion

Das könnte Sie auch interessieren

Die Smart PLC Unit ist eine Industriesteuerung zur Messwertverrechnung für die Laser-Scanner scanControl Smart und Gapcontrol. Die ermittelten Messwerte werden über die Unit verrechnet, angezeigt, protokolliert und können an übergeordnete Steuerungen weitergegeben werden. Dafür stehen analoge und digitale Schnittstellen zur Verfügung. Bis zu acht Laserscanner lassen sich an anschließen. Dies ist bei vielen Anwendungen, wie beispielsweise Konturvermessungen an großen Bauteilen notwendig.

www.micro-epsilon.de

Anzeige

Die Maxshot 3D-Fotogrammetrie-Kamera verbindet eine einfache Bedienung und Genauigkeit mit umfangreichen Größenmessprojekten. Sie kann als einzelnes Messgerät aber auch in Kombination mit Creaforms 3D-Scannern und tragbaren KMMs verwendet werden. Das Gerät ist 40% präziser als der Vorgänger und hat eine volumetrische Genauigkeit von bis zu 0,015mm/m. Eine visuelle Projektion mit Echtzeit-Feedback direkt auf dem Teil, leitet den Nutzer zu der richtigen Position für die Aufnahme.

www.creaform3d.com

Anzeige

Das integrierte Messsystem Duo Vario bietet zwei Messverfahren: das Konfokale und die Fokusvariation, für eine Oberflächenanalyse von Rauheit sowie Konturmessungen. Mit dem konfokalen Verfahren können stark reflektierende Oberflächen rückführbar auf herstellerunabhängige Raunormale gemessen werden. Mit dem neuen Gerät ist dies nun auch mit einem größeren Bildfeld und mit einer höheren lateralen Auflösung möglich. Das Fokusvariationsverfahren ist vor allem für die Messung von Formen und Konturen vorteilhaft. Dabei beträgt der Akzeptanzwinkel über 85°.

www.confovis.com

Anzeige

Das Interferometer µPhase basiert auf dem Twyman-Green-Prinzip und vermisst hochpräzise Abweichungen in Planität und Sphärizität, mit einer Genauigkeit bis zu 0.01µm. Die berührungsfreie Messung und Auswertung erfolgt dabei großflächig innerhalb von Sekunden. ‣ weiterlesen

Anzeige

www.trioptics.com

Die QIPAK 6.1 Software für das Messsystem Quick Image wartet mit einer Stitching-Funktion für einen großen Messbereich auf. Ein oder mehrere Werkstücke lassen sich mit dem System innerhalb von Sekunden wiederholbar messen. Dank der Software bedarf es nur eines einzigen Mausklicks, um das Werkstück im Sichtfeld automatisch zu erkennen und die Messung zu starten. Im Fall von Werkstücken, die größer ausfallen als der Bildbereich, erfasst das System bei der Messtischbewegung mehrere Bilder und fügt die einzelnen Aufnahmen zusammen.

www.mitutoyo.de

Speziell für die Anwendung in der Automobilindustrie wurden die Planflächenprüfsysteme Gageline IPS F100 3D und IPS F200 3D entwickelt, die dank Kamera- und Beleuchtungstechnik, einer adaptiven, dynamischen Maskierung und hoher Auflösung eine 100%-Prüfung von Planflächen in Linientaktzeit sicher durchführen. Mit der Multi-Bilderfassung können nicht nur wahre Defekte und Trockenränder des vorgelagerten Waschprozesses unterschieden werden, sondern es werden auch Angaben zu Höhendaten ermittelt. Der Prüfbereich ist sowohl in Breite und Länge nahezu unbegrenzt

www.jenoptik.de

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige