Computervisie, robotica en ML benutten om depalletiseren te revolutioneren

Dankzij vooruitgang in technologieën zoals 3D-machinevisie, treedt robotica toe in alle sfères van industriële processen. De COVID-19-uitbraak heeft het bewustzijn versterkt over de dringende noodzaak om automatisering toe te passen voor snelle en nauwkeurige ordervervulling en efficiënte toeleveringsketens. Een specifiek aspect van logistieke processen kan hogere productiviteitsniveaus bereiken met de implementatie van slimme automatisering — depalletiseren.

Wat is depalletiseren?

Depalletiseren is het proces van het lossen van pallets beladen met dozen één voor één. In tegenstelling tot de klassieke delayerisatie, waarbij de robotgripper de hele pallet oppikt, "hopend" dat hij alle dozen die erin zitten heeft gegrepen, gebruikt robotische depalletisatie kunstmatige intelligentie. Het systeem herkent individuele dozen en de robot plaatst ze één voor één op een transportband of andere vooraf gedefinieerde plaats.

Depalletiseren biedt een hoger niveau van het lossen van pallets en biedt diverse voordelen ten opzichte van delayerisatie. Het vereist een kleinere plaatsingsoppervlakte — de grootte van de grootste doos in tegenstelling tot de hele pallet. En dankzij een lichter payload kan een kleinere robotarm en gripper worden gebruikt, wat leidt tot aanzienlijke kostenbesparingen.

3D-visie en AI: de sleutels tot succes

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

Het scanvolume van de ingezette 3D-scanner moet groot genoeg zijn om de hele pallet vanaf voldoende afstand te scannen. Rekening houdend met de minimale ruimte die nodig is voor robotmanipulatie, moet de scanner doorgaans 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 continu leren en nieuwe typen dozen herkennen, inclusief die van verschillende maten of onregelmatige vormen veroorzaakt door schade, bijvoorbeeld. Dit maakt de oplossingen zo universeel dat het lossen van gemengde pallets weinig uitdaging vormt. De dozen hoeven niet in patronen gestapeld te worden, maar kunnen willekeurig geplaatst worden, zelfs scheef onder een hoek, en de robot kan ze nog steeds oppikken.

Slimme systemen zijn ook in staat dozen te herkennen die zo dicht op elkaar liggen dat het moeilijk is de kloof tussen hen te herkennen, die dun kan zijn als 0,5 millimeter. Zwakkere oplossingen zouden mogelijk niet in staat zijn de lijn die twee dozen scheidt te differentiëren van een lijn die de opening van één bepaalde doos omlijnt.

In andere gevallen kan het uitdagend zijn om dozen met problematische oppervlakken te herkennen, inclusief varierende texturen, schitterend of reflecterend materiaal, uitstekende tape, patronen of afbeeldingen die de "3D-visie misleiden". Dozen met zwart bekleding kunnen ook problemen veroorzaken.

De meest geavanceerde manier om individuele dozen te segmenteren op basis van textuur en 3D-data is het gebruik van een convolutief neuraal netwerk (CNN). Het systeem kan dan beslissen welke doos te pikken — dozen bovenaan de pallet komen eerst — en hoe deze te grijpen om de zuigkracht van de ingezette gripper te maximaliseren.

Om veilig te manipuleren in de ruimte tussen de bovenste dozen en de scanner, moet het depalletisatiesysteem rekening houden met de mogelijke grootte van de doos. Dit is ook belangrijk voor veilige plaatsing van de doos op een transportband. Dat kan ofwel gegarandeerd worden door de hoogte van de doos te berekenen uit de scangegevens, of door een optische poort in te stellen op een paar centimeter boven de transportband.

Wanneer de doos de optische straal raakt, laat de gripper hem vallen. Op deze manier worden alle dozen op dezelfde hoogte boven de transportband afgezet. Dit is een groot voordeel van depalletiseren ten opzichte van delayerisatie, waarbij dozen van verschillende hoogtes in één laag een significant probleem vormen.

De robot kan het hele werk doen

Photoneo's systemen, die 3D-visie bevatten die intern is ontwikkeld, bieden een voorbeeld van dergelijke robotische depalletisatie. Het systeem van het bedrijf scant een gehele pallet geladen met dozen en zet de scan om in een 3D-textuur dataset.

Deze scan wordt vervolgens verwerkt door Photoneo's machine learning-algoritme getraind op meer dan 5.000 typen dozen. AI herkent direct elke doos en stuurt een commando naar de robot. Met een speciaal ontwikkelde universele gripper voert de robot de pikactie uit met een nauwkeurigheid van +/-3 mm. Op deze manier kan het 1.000 dozen per uur lossen, met een piknauwkeurigheid van 99,7%.

Depalletisatiesystemen moeten rekening houden met variabiliteit

Als, ondanks alle berekeningen, de gripper een doos niet kan oppikken door een gerimpeld oppervlak of een ander obstakel, stuurt de gripper feedback en informeert de gebruiker over het probleem zodat correctieve actie ondernomen kan worden. De cyclus tijd is doorgaans minder dan 10 seconden, afhankelijk van het robottype, het oppervlak van de dozen en hun inhoud, aangezien sommige met meer gevoeligheid gemanipuleerd moeten worden dan anderen.

De omgeving, robot en mechanische eigenschappen definiëren en beperken de cyclus tijd. Bijvoorbeeld, het zou onmogelijk zijn om een zware doos boven een bepaalde fysieke limiet te versnellen en te vertragen. Als klanten de cyclus tijd willen versnellen en de robotprestaties willen verbeteren, kunnen ze kiezen voor een multi-zone gripper die in staat is om meerdere dozen van dezelfde hoogte tegelijk op te pikken. De gripper laat de dozen dan één voor één vallen.

Het geheim achter perfecte losmaking is het kennen van de grenzen van de plaatsingsoppervlakte om niet meer dozen te nemen dan veilig afgezet kunnen worden, en ook het precies herkennen van het doostype om het oppikken van dozen met verschillende hoogtes te vermijden. Photoneo's product is compatibel met grote robotmerken en werkt "out of the box" zonder enige training. Als het nieuwe typen dozen tegenkomt, kan het systeem zichzelf hertrainen, wat de tijd die nodig is voor implementatie en integratie verkort.

Depalletiseren aanpassen aan een mensgerichte omgeving

Een succesvolle depalletisatieoplossing moet rekening houden met alle bovenbesproken factoren. Hoewel de robots misschien eenvoudig lijken, moeten de machine learning-algoritmen robuust genoeg zijn om alle mogelijke uitdagingen van het depalletiseren van verschillende objecten aan te kunnen. Ontwikkelaars en integrators moeten nadenken over elk detail van de toepassing en hun oplossingen testen voordat gebruikers return on investment (ROI) kunnen meten.

Daarnaast is het vaak noodzakelijk om de robot aan te passen aan een mensgerichte omgeving. Hoewel automatisering snel evolueert, passen veel klanten hun distributiecentra en magazijnen maar geleidelijk aan om volledig voordeel te halen uit robotica en AI.

Een van de grootste uitdagingen met betrekking tot handmatig lossen van pallets zit in de grootte en het gewicht van de dozen alsook de hoogte vanaf waar ze genomen moeten worden. Handmatige operaties leiden vaak tot ernstige letsels, dus de beste depalletisatiesystemen helpen medewerkers riskante of repetitieve bewegingen te vermijden.

Bijvoorbeeld, de Photoneo Depalletizer kan dozen van maximaal 50 kg oppikken zonder menselijke ingryping. Een van de grootste voordelen is dat de robot non-stop kan werken, zonder ooit moe te worden.

Depalletizer met 3D-visie, AI en een robotarm

AI = onbegrensd 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 de lasten van moeilijke 3D-gerelateerde berekeningen en taken.

Wat ze wel moeten hebben, is een basiskennis van mechanica, inclusief hoe de verschillende typen grippers werken, welke geschikt zijn voor het pikken van een bepaald onderdeel, en hoe alle mechanische componenten die in een toepassing worden ingezet, te verdelen om fouten in de robotmanipulatie of scanning te voorkomen.

Integrators moeten ook de potentiële capaciteiten van een bepaald systeem kennen om het te kunnen matchen met 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 overschat mag worden. Integrators zullen altijd bepaalde specifieke kennis nodig hebben om een slimme automatiseringsoplossing succesvol te implementeren.

Als al deze voorwaarden vervuld zijn, kan de implementatie van depalletisatierobots logistieke bedrijven helpen een snelle ROI te behalen, hun toeleveringsketens te verbeteren en hun productiviteit te verhogen. Ze kunnen ook tijd besparen, kosten verlagen en de gezondheid van werknemers beschermen, medewerkers vrijmakend voor taken die creativiteit en kritisch denken vereisen.

De meest dringende uitdaging waar zowel werknemers als werkgevers vandaag de dag mee te maken hebben, is hoe ze aan het werk kunnen blijven. Omdat niemand met enige zekerheid kan voorspellen wanneer de wereldwijde economie zal herstellen van de COVID-19-sluitingen, is nu de juiste tijd om te automatiseren en productieprocessen te stroomlijnen.

Dit artikel werd oorspronkelijk gepubliceerd in The Robot Report.