Hoe depalletisering kan profiteren van computervisie, robotica en machine learning

Dankzij de vooruitgang in technologieën zoals 3D-machinevisie, dringt robotica door in alle domeinen van industriële processen. De uitbraak van COVID-19 heeft het bewustzijn vergroot van de dringende noodzaak om automatisering toe te passen voor snelle en nauwkeurige orderafhandeling en efficiënte toeleveringsketens. Eén specifiek aspect van logistieke processen kan hogere productiviteitsniveaus bereiken met de implementatie van slimme automatisering:depalletisatie.

Wat is depalletisatie?

Depalletisering is het proces waarbij pallets met dozen één voor één worden gelost. In tegenstelling tot de klassieke vertragingen , waarbij de robotgrijper de hele pallet oppakt, "in de hoop" dat hij alle dozen pakt die erop staan, maakt robotische depalletisering gebruik van kunstmatige intelligentie. Het systeem herkent individuele dozen en de robot plaatst ze één voor één op een lopende band of een andere vooraf bepaalde plek.

Depalletisatie biedt een hoger niveau van lossen van pallets en biedt verschillende voordelen ten opzichte van vertraging. Het vereist een kleiner plaatsingsgebied - de grootte van de grootste doos in tegenstelling tot de hele pallet. En dankzij een lichtere payload kan er met een kleinere robotarm en grijper worden gewerkt, wat een flinke kostenbesparing oplevert.

3D-visie en AI de geheimen van succes

De beste depalletiseringssystemen kunnen het proces van het lossen van pallets vol met verschillende dozen veilig, snel, effectief, betrouwbaar en uiteindelijk ook kostenefficiënt maken. Dit kan alleen worden bereikt door 3D-machinevisie te combineren met slimme robots die worden ingeschakeld door geavanceerde algoritmen voor machine learning.

Het scanvolume van de ingezette 3D-scanner moet groot genoeg zijn om de hele pallet op voldoende afstand te kunnen scannen. Rekening houdend met de minimale ruimte die nodig is voor robotmanipulatie, moet de scanner over het algemeen ongeveer 3 meter boven de pallet worden gemonteerd. Het kiezen van de juiste 3D-scanner is daarom de eerste voorwaarde voor succesvol depalletiseren.

De tweede stap is het trainen van AI met deze beelddata. Machine learning-algoritmen kunnen voortdurend nieuwe soorten dozen leren en herkennen, bijvoorbeeld dozen met verschillende afmetingen of onregelmatige vormen als gevolg van schade. Dit maakt de oplossingen zo universeel dat het lossen van gemengde pallets weinig uitdaging vormt. De dozen hoeven niet in patronen te worden gestapeld, maar kunnen willekeurig worden geplaatst, zelfs onder een hoek, en de robot kan ze nog steeds oppakken.

Slimme systemen zijn ook in staat om dozen te herkennen die vaak zo dicht opeengepakt zitten dat het moeilijk is om de opening ertussen te herkennen, die zo dun kan zijn als 0,5 millimeter. Zwakkere oplossingen kunnen mogelijk geen onderscheid maken tussen de lijn die twee dozen scheidt en een lijn die de opening van een bepaalde doos omlijnt.

In andere gevallen kan het een uitdaging zijn om dozen met problematische oppervlakken te herkennen, waaronder verschillende texturen, glanzend of reflecterend materiaal, uitstekende tapes, patronen of afbeeldingen die de 3D-visie "misleiden". Dozen met een zwarte omslag kunnen ook voor problemen zorgen..

De meest geavanceerde manier om de individuele dozen te segmenteren op basis van textuur en 3D-gegevens, is door gebruik te maken van een convolutioneel neuraal netwerk (CNN). Het systeem kan dan beslissen welke doos moet worden opgepakt (dozen die helemaal bovenaan de pallet zijn geplaatst, komen eerst) en hoe deze moet worden vastgepakt om de zuigkracht van de ingezette grijper te maximaliseren.

Om veilig te manipuleren in de ruimte tussen de topboxen en de scanner moet het depalletiseringssysteem rekening houden met de mogelijke afmetingen van de box. Dit is ook belangrijk voor het veilig plaatsen van de doos op een lopende band. Dat kan worden gegarandeerd door de hoogte van de doos te berekenen uit de scangegevens of door een optische poort te gebruiken die enkele centimeters boven de lopende band is ingesteld.

Wanneer de doos de optische straal raakt, laat de grijper deze vallen. Zo worden alle dozen op dezelfde hoogte boven de lopende band afgezet. Dit is een groot voordeel van depalletisering ten opzichte van vertragingen, waarbij dozen van verschillende hoogte in één laag een groot probleem vormen.

De robot kan het hele werk doen

De systemen van Photoneo, waaronder 3D-visie die in huis is ontwikkeld, zijn een voorbeeld van een dergelijke robotische depalletisering. Het systeem van het bedrijf scant een hele pallet vol met dozen en brengt de scan over naar een dataset met 3D-textuur.

Deze scan wordt vervolgens verwerkt door het machine learning-algoritme van Photoneo dat is getraind op meer dan 5.000 soorten dozen. AI herkent elke doos onmiddellijk en stuurt een commando naar de robot. Met behulp van een speciaal ontwikkelde universele grijper voert de robot de plukactie uit met een nauwkeurigheid van +-3 mm. Op deze manier kan het in ons uur 1.000 dozen lossen, met een nauwkeurigheid van 99,7%.

Depalletiseringssystemen moeten rekening houden met variabiliteit

Als de grijper ondanks alle berekeningen er niet in slaagt om een ​​doos te pakken vanwege een gekreukt oppervlak of een ander obstakel, stuurt de grijper feedback en informeert de gebruiker over het probleem, zodat corrigerende maatregelen kunnen worden genomen. De cyclustijd is doorgaans minder dan 10 seconden, afhankelijk van het type robot, het oppervlak van de dozen en hun inhoud, aangezien sommige met meer gevoeligheid moeten worden gemanipuleerd dan andere.

De omgeving, robot en mechanische eigenschappen bepalen en beperken de cyclustijd. Het zou bijvoorbeeld onmogelijk zijn om een ​​zware kist boven een bepaalde fysieke limiet te versnellen en te vertragen. Als klanten de cyclustijd willen versnellen en de robotprestaties willen verbeteren, kunnen ze kiezen voor een grijper met meerdere zones die meerdere dozen van dezelfde hoogte tegelijk kan oppakken. Vervolgens laat de grijper de dozen een voor een vallen.

Het geheim achter perfect verenkelen is om de groottelimieten van het plaatsingsgebied te kennen om niet meer dozen mee te nemen dan er veilig kunnen worden afgezet, en ook om het type doos precies te herkennen om te voorkomen dat dozen met verschillende hoogtes worden vastgepakt. Het product van Photoneo is compatibel met grote robotmerken en werkt "out of the box" zonder enige training. Als het nieuwe typen boxen tegenkomt, kan het systeem zichzelf omscholen, waardoor de tijd die nodig is voor implementatie en integratie wordt verkort.

Depalletisering aanpassen aan een mensgerichte omgeving

Een succesvolle depalletiseringsoplossing moet rekening houden met alle hierboven besproken factoren. Hoewel de robots vrij eenvoudig lijken, moeten de algoritmen voor machine learning robuust genoeg zijn om alle mogelijke uitdagingen van het depalletiseren van verschillende objecten aan te kunnen. Ontwikkelaars en integrators moeten over elk detail van de applicatie nadenken en hun oplossingen testen voordat gebruikers het rendement op investering (ROI) kunnen meten.

Daarnaast is het vaak nodig om de robot aan te passen aan een mensgerichte omgeving. Hoewel automatisering snel evolueert, passen veel klanten hun distributiecentra en magazijnen slechts geleidelijk aan aan om volledig te kunnen profiteren van robotica en AI.

Een van de grootste uitdagingen bij het handmatig lossen van pallets ligt in de grootte en het gewicht van de dozen, evenals de hoogte van waaruit ze moeten worden genomen. Handmatige handelingen leiden vaak tot ernstig letsel, dus de beste depalletiseringssystemen helpen medewerkers risicovolle of repetitieve handelingen te vermijden.

Zo kan de Photoneo Depalletizer dozen tot 50 kg picken zonder menselijke tussenkomst. Een van de grootste voordelen is dat de robot non-stop kan werken, zonder ooit moe te worden.

Depalletizer met behulp van 3D-visie, AI en een robotarm

AI =onbeperkt potentieel?

AI-gestuurde oplossingen zijn ongetwijfeld de weg naar de toekomst omdat gebruikers niets hoeven te ontwerpen, debuggen of testen. Slimme systemen kunnen integrators ontlasten van moeilijke 3D-gerelateerde berekeningen en taken.

Wat ze echter zouden moeten hebben, is enige mechanische basiskennis, inclusief hoe de verschillende soorten grijpers werken, welke geschikt zijn om een ​​bepaald onderdeel te kiezen en hoe alle mechanische componenten die in een toepassing worden ingezet, moeten worden gedistribueerd om storingen van de robotmanipulatie te voorkomen of scannen.

Integrators moeten ook de potentiële capaciteiten van een bepaald systeem kennen om het te kunnen afstemmen op de specifieke behoeften van een klant. Het is belangrijk om in gedachten te houden dat AI nog steeds slechts een deel van de oplossing is en niet moet worden overschat. Integrators zullen altijd bepaalde specifieke kennis nodig hebben om een ​​slimme automatiseringsoplossing succesvol te implementeren.

Als aan al deze voorwaarden is voldaan, kan de inzet van depalletiseringsrobots logistieke bedrijven helpen een snelle ROI te behalen, hun supply chain-processen te verbeteren en hun productiviteit te verhogen. Ze kunnen ook tijd besparen, kosten verlagen en de gezondheid van werknemers beschermen, waardoor werknemers worden vrijgemaakt voor taken die creativiteit en kritisch denken vereisen.

De meest urgente uitdaging waarmee zowel werknemers als werkgevers vandaag worden geconfronteerd, is hoe ze kunnen blijven werken. Omdat niemand met enig vertrouwen kan voorspellen wanneer de wereldeconomie zal herstellen van COVID-19-shutdowns, is dit het juiste moment om productieprocessen te automatiseren en te stroomlijnen.

Dit artikel is oorspronkelijk gepubliceerd in Het robotrapport.