Wie die Depalettierung von Computer Vision, Robotik und maschinellem Lernen profitieren kann

Dank Fortschritten in Technologien wie 3D-Bildverarbeitung dringt die Robotik in alle Bereiche industrieller Prozesse vor. Der Ausbruch von COVID-19 hat das Bewusstsein für die dringende Notwendigkeit geschärft, Automatisierung für eine schnelle und genaue Auftragsabwicklung und effiziente Lieferketten anzuwenden. Ein spezifischer Aspekt von Logistikprozessen kann durch die Implementierung einer intelligenten Automatisierung eine höhere Produktivität erreichen – die Depalettierung.

Was ist Depalettierung?

Depalettierung ist der Prozess des Entladens von Paletten, die mit Kisten beladen sind, eine nach der anderen. Im Gegensatz zur klassischen Verzögerung , bei der der Robotergreifer die ganze Palette aufnimmt, „in der Hoffnung“, dass er alle darin enthaltenen Kartons greift, nutzt die Roboter-Depalettierung künstliche Intelligenz. Das System erkennt einzelne Kartons und der Roboter platziert sie einzeln auf einem Förderband oder an einem anderen vordefinierten Ort.

Die Depalettierung stellt ein höheres Niveau beim Entladen von Paletten dar und bietet mehrere Vorteile gegenüber der Verzögerung. Es erfordert eine kleinere Stellfläche – die Größe des größten Kartons im Gegensatz zur gesamten Palette. Und dank einer geringeren Nutzlast können ein kleinerer Roboterarm und Greifer verwendet werden, was zu erheblichen Kosteneinsparungen führt.

3D-Vision und KI die Erfolgsgeheimnisse

Die besten Depalettierungssysteme können den Prozess des Entladens von Paletten voller verschiedener Kartons sicher, schnell, effektiv, zuverlässig und am Ende auch kosteneffizient gestalten. Dies kann nur erreicht werden, indem maschinelles Sehen in 3D mit intelligenten Robotern kombiniert wird, die durch fortschrittliche Algorithmen für maschinelles Lernen ermöglicht werden.

Das Scanvolumen des eingesetzten 3D-Scanners muss groß genug sein, um die gesamte Palette aus ausreichendem Abstand zu scannen. Unter Berücksichtigung des minimalen Platzbedarfs für die Robotermanipulation muss der Scanner im Allgemeinen etwa 3 Meter über der Palette montiert werden. Die Wahl des richtigen 3D-Scanners ist daher die erste Voraussetzung für eine erfolgreiche Depalettierung.

Der zweite Schritt ist das Training der KI mit diesen Bilddaten. Algorithmen für maschinelles Lernen können ständig neue Arten von Kartons lernen und erkennen, auch solche mit unterschiedlichen Größen oder unregelmäßigen Formen, die beispielsweise durch Beschädigungen verursacht wurden. Das macht die Lösungen so universell, dass das Entladen von Mischpaletten kaum eine Herausforderung darstellt. Die Kisten müssen nicht in Mustern gestapelt werden, sondern können beliebig platziert werden, sogar in einem Winkel geneigt, und der Roboter kann sie trotzdem kommissionieren.

Intelligente Systeme können auch Kartons erkennen, die oft so dicht gepackt sind, dass der Abstand zwischen ihnen, der bis zu 0,5 Millimeter betragen kann, nur schwer zu erkennen ist. Schwächere Lösungen sind möglicherweise nicht in der Lage, die Linie, die zwei Kästchen trennt, von einer Linie zu unterscheiden, die die Öffnung eines bestimmten Kästchens umreißt.

In anderen Fällen kann es schwierig sein, Kartons mit problematischen Oberflächen zu erkennen, darunter unterschiedliche Texturen, glänzendes oder reflektierendes Material, hervorstehende Klebebänder, Muster oder Bilder, die die 3D-Ansicht „täuschen“. Kartons mit schwarzem Überzug können ebenfalls Probleme bereiten..

Die fortschrittlichste Methode, die einzelnen Boxen auf Basis von Textur- und 3D-Daten zu segmentieren, ist die Verwendung eines Convolutional Neural Network (CNN). Das System kann dann entscheiden, welche Kiste entnommen werden soll – die Kisten ganz oben auf der Palette kommen zuerst – und wie sie gegriffen wird, um die Saugkraft des eingesetzten Greifers zu maximieren.

Um sicher im Raum zwischen den oberen Kartons und dem Scanner manipulieren zu können, muss das Depalettierungssystem die mögliche Größe des Kartons berücksichtigen. Dies ist auch wichtig für das sichere Abstellen der Kiste auf einem Förderband. Dies kann entweder durch die Berechnung der Kartonhöhe aus den Scandaten oder durch den Einsatz einer optischen Schleuse, die wenige Zentimeter über dem Förderband eingestellt ist, sichergestellt werden.

Wenn die Schachtel den optischen Strahl berührt, lässt der Greifer sie fallen. So werden alle Kartons in gleicher Höhe über dem Förderband abgesetzt. Dies ist ein großer Vorteil der Depalettierung gegenüber der Delayerisierung, bei der unterschiedlich hohe Kartons in einer Lage ein erhebliches Problem darstellen.

Der Roboter kann die ganze Arbeit erledigen

Die Systeme von Photoneo, die eine hausintern entwickelte 3D-Vision beinhalten, sind ein Beispiel für eine solche robotergestützte Depalettierung. Das System des Unternehmens scannt eine ganze mit Kisten beladene Palette und überträgt den Scan in einen 3D-Texturdatensatz.

Dieser Scan wird dann vom maschinellen Lernalgorithmus von Photoneo verarbeitet, der auf mehr als 5.000 Arten von Kartons trainiert wurde. Die KI erkennt jede Box sofort und sendet einen Befehl an den Roboter. Mit einem speziell entwickelten Universalgreifer führt der Roboter die Kommissionieraktion mit einer Genauigkeit von +-3 mm durch. Auf diese Weise ist es in der Lage, 1.000 Kartons in unserer Stunde mit einer Kommissioniergenauigkeit von 99,7 % zu entladen.

Depalettierungssysteme müssen Variabilität berücksichtigen

Wenn der Greifer trotz aller Berechnungen eine Kiste aufgrund einer zerknitterten Oberfläche oder eines anderen Hindernisses nicht greifen kann, sendet der Greifer eine Rückmeldung und informiert den Benutzer über das Problem, damit Korrekturmaßnahmen ergriffen werden können. Die Zykluszeit beträgt typischerweise weniger als 10 Sekunden, abhängig vom Robotertyp, der Oberfläche der Kartons und ihrem Inhalt, da einige mit größerer Sensibilität manipuliert werden müssen als andere.

Die Umgebung, der Roboter und die mechanischen Eigenschaften definieren und begrenzen die Zykluszeit. Beispielsweise wäre es unmöglich, eine schwere Kiste über eine bestimmte physikalische Grenze hinaus zu beschleunigen und abzubremsen. Falls Kunden die Zykluszeit beschleunigen und die Roboterleistung steigern müssen, können sie sich für einen Mehrzonengreifer entscheiden, der in der Lage ist, mehrere Kisten gleicher Höhe gleichzeitig zu kommissionieren. Der Greifer lässt dann die Kartons nacheinander fallen.

Das Geheimnis hinter der perfekten Vereinzelung besteht darin, die Größenbeschränkungen der Stellfläche zu kennen, um nicht mehr Kisten aufzunehmen, als sicher abgestellt werden können, und auch den Kistentyp genau zu erkennen, um zu vermeiden, Kisten mit unterschiedlichen Höhen zu greifen. Das Produkt von Photoneo ist mit großen Robotermarken kompatibel und funktioniert „out of the box“ ohne Schulung. Wenn es auf neue Arten von Boxen stößt, ist das System in der Lage, sich selbst neu zu trainieren, was die Zeit für die Bereitstellung und Integration verkürzt.

Anpassung der Depalettierung an eine menschenzentrierte Umgebung

Eine erfolgreiche Depalettierungslösung muss alle oben genannten Faktoren berücksichtigen. Auch wenn die Roboter ziemlich einfach erscheinen mögen, müssen die Algorithmen des maschinellen Lernens robust genug sein, um alle möglichen Herausforderungen beim Depalettieren verschiedener Objekte zu bewältigen. Entwickler und Integratoren müssen über jedes Detail der Anwendung nachdenken und ihre Lösungen testen, bevor Benutzer den Return on Investment (ROI) messen können.

Darüber hinaus ist es oft notwendig, den Roboter an eine menschenzentrierte Umgebung anzupassen. Obwohl sich die Automatisierung schnell weiterentwickelt, passen viele Kunden ihre Vertriebszentren und Lager nur schrittweise an, um die Vorteile von Robotik und KI voll auszuschöpfen.

Eine der größten Herausforderungen beim manuellen Entladen von Paletten liegt in der Größe und dem Gewicht der Kartons sowie in der Höhe, aus der sie entnommen werden müssen. Manuelle Vorgänge führen oft zu schweren Verletzungen, daher helfen die besten Depalettierungssysteme den Mitarbeitern, riskante oder sich wiederholende Bewegungen zu vermeiden.

So kann der Photoneo Depalletizer Kisten bis 50 kg ohne menschliches Zutun kommissionieren. Einer der größten Vorteile ist, dass der Roboter ununterbrochen arbeiten kann, ohne jemals müde zu werden.

Depalettierer mit 3D-Vision, KI und einem Roboterarm

KI =unbegrenztes Potenzial?

KI-gesteuerte Lösungen sind zweifellos der Weg in die Zukunft, da Benutzer nichts entwerfen, debuggen oder testen müssen. Intelligente Systeme können Integratoren von schwierigen 3D-bezogenen Berechnungen und Aufgaben entlasten.

Was sie jedoch haben sollten, sind einige grundlegende mechanische Kenntnisse, einschließlich der Funktionsweise der verschiedenen Arten von Greifern, welche für die Aufnahme eines bestimmten Teils geeignet sind und wie alle in einer Anwendung eingesetzten mechanischen Komponenten verteilt werden müssen, um Ausfälle der Robotermanipulation zu vermeiden oder Scannen.

Integratoren sollten auch die potenziellen Kapazitäten eines bestimmten Systems kennen, um es an die spezifischen Bedürfnisse eines Kunden anpassen zu können. Dabei ist zu beachten, dass KI nach wie vor nur ein Teil der Lösung ist und nicht überschätzt werden sollte. Integratoren benötigen immer bestimmte spezifische Kenntnisse, um eine intelligente Automatisierungslösung erfolgreich einzusetzen.

Wenn all diese Bedingungen erfüllt sind, kann der Einsatz von Depalettierrobotern Logistikunternehmen helfen, einen schnellen ROI zu erzielen, ihre Supply-Chain-Prozesse zu verbessern und ihre Produktivität zu steigern. Sie können auch Zeit sparen, Kosten senken und die Gesundheit der Mitarbeiter schützen, indem sie Mitarbeiter für Aufgaben freisetzen, die Kreativität und kritisches Denken erfordern.

Die drängendste Herausforderung, vor der Arbeitnehmer und Arbeitgeber heute stehen, besteht darin, weiterzuarbeiten. Da niemand mit Zuversicht vorhersagen kann, wann sich die Weltwirtschaft von COVID-19-Abschaltungen erholen wird, ist jetzt der richtige Zeitpunkt, um Produktionsprozesse zu automatisieren und zu rationalisieren.

Dieser Artikel wurde ursprünglich veröffentlicht in Der Roboterbericht.