Computervision, Robotik & ML revolutionieren Depalettierung

Dank Fortschritten in Technologien wie 3D-Maschinensicht hält Robotik Einzug in alle Bereiche industrieller Prozesse. Der COVID-19-Ausbruch hat das Bewusstsein für die dringende Notwendigkeit geschärft, Automatisierung für schnelle, präzise Auftragsabwicklung und effiziente Lieferketten einzusetzen. Ein spezifischer Aspekt logistischer Prozesse kann durch intelligente Automatisierung höhere Produktivitätsstufen erreichen – die Depalettierung.

Was ist Depalettierung?

Depalettierung ist der Prozess des Entladens von mit Kartons beladenen Paletten, Karton für Karton. Im Gegensatz zur klassischen Delayerisierung, bei der der Robotergreifer die gesamte Palette auf einmal greift und „hofft“, alle darin enthaltenen Kartons erfasst zu haben, nutzt robotergestützte Depalettierung künstliche Intelligenz. Das System erkennt einzelne Kartons, und der Roboter platziert sie einzeln auf einem Förderband oder einem anderen vordefinierten Ort.

Depalettierung stellt eine höhere Stufe des Palettenentladens dar und bietet mehrere Vorteile gegenüber der Delayerisierung. Sie erfordert einen kleineren Platzbedarf – die Größe des größten Kartons statt der ganzen Palette. Und dank geringerer Nutzlast können ein kleinerer Roboterarm und Greifer eingesetzt werden, was erhebliche Kosteneinsparungen bringt.

3D-Vision und KI – die Geheimnisse des Erfolgs

Die besten Depalettierungssysteme machen den Prozess des Entladens von Paletten mit verschiedenen Kartons sicher, schnell, effektiv, zuverlässig und letztlich kosteneffizient. Dies gelingt nur durch die Kombination von 3D-Maschinensicht mit intelligenten Robotern, die durch fortschrittliche Machine-Learning-Algorithmen gesteuert werden.

Das Scanvolumen des eingesetzten 3D-Scanners muss groß genug sein, um die gesamte Palette aus ausreichender Distanz zu erfassen. Unter Berücksichtigung des minimalen Platzbedarfs für die Roboterbewegung muss der Scanner grundsätzlich etwa 3 Meter über der Palette montiert werden. Die Wahl des richtigen 3D-Scanners ist daher die erste Voraussetzung für erfolgreiche Depalettierung.

Der zweite Schritt ist das Training der KI mit diesen Bilddaten. Machine-Learning-Algorithmen können kontinuierlich lernen und neue Kartontypen erkennen, einschließlich solcher mit unterschiedlichen Größen oder unregelmäßigen Formen durch Beschädigung. Dies macht die Lösungen so universell, dass das Entladen gemischter Paletten kaum eine Herausforderung darstellt. Die Kartons müssen nicht in Mustern gestapelt sein, sondern können zufällig, sogar gekippt, platziert werden – der Roboter greift sie dennoch.

Intelligente Systeme erkennen auch Kartons, die so dicht gepackt sind, dass der Spalt zwischen ihnen – nur 0,5 Millimeter dünn – schwer zu erkennen ist. Schwächere Lösungen könnten die Trennlinie zwischen zwei Kartons nicht von einer Konturlinie eines einzelnen Kartons unterscheiden.

In anderen Fällen kann es schwierig sein, Kartons mit problematischen Oberflächen zu erkennen: variierende Texturen, glänzendes oder reflektierendes Material, hervorstehende Klebebänder, Muster oder Bilder, die die 3D-Vision „in die Irre führen“. Kartons mit schwarzer Beschichtung können ebenfalls Probleme verursachen.

Der fortschrittlichste Weg, einzelne Kartons basierend auf Textur und 3D-Daten zu segmentieren, ist die Verwendung eines Convolutional Neural Network (CNN). Das System entscheidet dann, welchen Karton es greift – die obersten Kartons auf der Palette haben Priorität – und wie es ihn greift, um die Saugkraft des eingesetzten Greifers zu maximieren.

Um sicher im Raum zwischen den obersten Kartons und dem Scanner zu manövrieren, muss das Depalettierungssystem die mögliche Kartongröße berücksichtigen. Dies ist auch für die sichere Platzierung auf dem Förderband wichtig. Dies kann entweder durch Berechnung der Kartonhöhe aus den Scandaten oder durch eine Lichtschranke wenige Zentimeter über dem Förderband sichergestellt werden.

Berührt der Karton den Lichtstrahl, lässt der Greifer ihn fallen. So werden alle Kartons in derselben Höhe über dem Förderband abgesetzt. Dies ist ein großer Vorteil der Depalettierung gegenüber der Delayerisierung, bei der Kartons unterschiedlicher Höhe in einer Lage ein erhebliches Problem darstellen.

Der Roboter erledigt die ganze Arbeit

Photoneos Systeme, die hausintern entwickelte 3D-Vision umfassen, sind ein Beispiel für solche robotergestützte Depalettierung. Das System scannt eine gesamte, mit Kartons beladene Palette und überträgt den Scan in einen 3D-Textur-Datensatz.

Dieser Scan wird dann von Photoneos Machine-Learning-Algorithmus verarbeitet, der auf mehr als 5.000 Kartontypen trainiert wurde. Die KI erkennt jeden Karton sofort und sendet einen Befehl an den Roboter. Mit einem speziell entwickelten Universalgreifer führt der Roboter die Greifaktion mit einer Genauigkeit von ±3 mm aus. So können 1.000 Kartons pro Stunde entladen werden, bei einer Greiferfolgsquote von 99,7 %.

Depalettierungssysteme müssen Variabilität berücksichtigen

Sollte der Greifer trotz aller Berechnungen einen Karton aufgrund einer gekräuselten Oberfläche oder eines anderen Hindernisses nicht greifen, sendet der Greifer Feedback und informiert den Benutzer über das Problem, damit Korrekturmaßnahmen ergriffen werden können. Die Zykluszeit beträgt typischerweise unter 10 Sekunden, abhängig von Roboterart, Kartonoberfläche und Inhalt, da manche empfindlicher manipuliert werden müssen als andere.

Umgebung, Roboter und mechanische Eigenschaften definieren und begrenzen die Zykluszeit. So wäre es unmöglich, einen schweren Karton über ein bestimmtes physikalisches Limit hinaus zu beschleunigen und abzubremsen. Wenn Kunden die Zykluszeit verkürzen und die Roboterleistung steigern möchten, können sie sich für einen Multi-Zonen-Greifer entscheiden, der mehrere Kartons gleicher Höhe gleichzeitig greift und sie nacheinander absetzt.

Das Geheimnis perfekter Vereinzelung liegt darin, die Größengrenzen des Ablagebereichs zu kennen, um nicht mehr Kartons zu greifen, als sicher abgesetzt werden können, und den Kartontyp präzise zu erkennen, um das Greifen von Kartons unterschiedlicher Höhe zu vermeiden. Photoneos Produkt ist mit führenden Roboterherstellern kompatibel und funktioniert „out of the box“ ohne Training. Stößt es auf neue Kartontypen, kann sich das System selbst neu trainieren, was Bereitstellungs- und Integrationszeit verkürzt.

Anpassung der Depalettierung an eine menschenzentrierte Umgebung

Eine erfolgreiche Depalettierungslösung muss alle oben genannten Faktoren berücksichtigen. Auch wenn die Roboter eher einfach wirken, müssen die Machine-Learning-Algorithmen robust genug sein, um alle möglichen Herausforderungen beim Depalettieren unterschiedlicher Objekte zu meistern. Entwickler und Integratoren müssen jedes Detail der Anwendung bedenken und ihre Lösungen testen, bevor Nutzer den Return on Investment (ROI) messen können.

Zudem ist es oft notwendig, den Roboter an eine menschenzentrierte Umgebung anzupassen. Obwohl sich Automatisierung rasant entwickelt, passen viele Kunden ihre Verteilzentren und Lager nur schrittweise an, um Robotik und KI voll auszuschöpfen.

Eine der größten Herausforderungen beim manuellen Entladen von Paletten liegt in Größe und Gewicht der Kartons sowie der Höhe, aus der sie entnommen werden müssen. Manuelle Vorgänge führen oft zu schweren Verletzungen, weshalb die besten Depalettierungssysteme Mitarbeiter vor riskanten oder repetitiven Bewegungen schützen.

So kann der Photoneo Depalletizer Kartons bis 50 kg ohne menschliches Eingreifen greifen. Einer der größten Vorteile: Der Roboter arbeitet nonstop, ohne je müde zu werden.

Depalettierer mit 3D-Vision, KI und Roboterarm

KI = unbegrenztes Potenzial?

KI-gestützte Lösungen sind zweifellos der Weg in die Zukunft, da Nutzer nichts entwerfen, debuggen oder testen müssen. Intelligente Systeme entlasten Integratoren von den Lasten schwieriger 3D-bezogener Berechnungen und Aufgaben.

Sie sollten jedoch über grundlegende mechanische Kenntnisse verfügen: Wie verschiedene Greifertypen funktionieren, welche für das Greifen eines bestimmten Teils geeignet sind und wie alle mechanischen Komponenten einer Anwendung verteilt werden, um Ausfälle bei Roboterbewegung oder Scannen zu vermeiden.

Integratoren sollten auch die potenziellen Kapazitäten eines bestimmten Systems kennen, um es mit den spezifischen Kundenbedürfnissen abzugleichen. Wichtig ist, sich bewusst zu machen, dass KI nur ein Teil der Lösung ist und nicht überschätzt werden sollte. Integratoren werden immer spezifisches Wissen benötigen, um eine intelligente Automatisierungslösung erfolgreich einzusetzen.

Wenn all diese Bedingungen erfüllt sind, kann der Einsatz von Depalettierrobotern Logistikunternehmen zu schnellem ROI, verbesserten Lieferkettenprozessen und gesteigerter Produktivität verhelfen. Sie sparen Zeit, senken Kosten und schützen die Gesundheit der Mitarbeiter, indem sie diese für Aufgaben freisetzen, die Kreativität und kritisches Denken erfordern.

Die drängendste Herausforderung für Mitarbeiter und Arbeitgeber heute ist, wie man weiterarbeiten kann. Da niemand vorhersagen kann, wann sich die Weltwirtschaft von den COVID-19-Schließungen erholt, ist jetzt der richtige Zeitpunkt, Produktionsprozesse zu automatisieren und zu straffen.

Dieser Artikel wurde ursprünglich in The Robot Report veröffentlicht.