Automatisierte Palettierung und Depalettierung mit Künstlicher Intelligenz

14.4.2021
April 14, 2021

Insbesondere in der Produktion und Logistik ist Effizienz entlang der gesamten Wertschöpfungskette ein essenzieller Faktor im Wettbewerb. Eine zuverlässige Automatisierung der manuellen und zeitintensiven Abläufe ist hierbei entscheidend für eine moderne und leistungsfähige Fabrik und Lagerhaltung.

Traditionelle Palettierungslösungen – unflexibel, kompliziert, teuer

Klassische Palettierroboter funktionieren entweder rein statisch oder müssen sehr aufwändig von Grund auf programmiert werden. Hierbei werden Algorithmen von Experten von Hand entwickelt, das erfordert oftmals sehr viel Know-How und Zeit. Dabei lassen sich durch diese klassischen Lösungen komplexe Palettierungsaufgaben, wie chaotische Sortierungen, schwierige Geometrien oder gemischte Paletten, garnicht oder nur sehr schwer umsetzen. All das führt zu hohen Kosten und dazu, dass Anforderungen an die Automatisierung nicht erfüllt werden können.

Mit KI komplexe Palettierungsaufgaben effizient lösen

Mit KI-basierter Bildverarbeitung können komplexe Palettierungsaufgaben während des laufenden Betriebs zuverlässig und schnell automatisiert werden. Um eine Orientierung im dreidimensionalen Raum beim Greifvorgang durch den Roboter zu ermöglichen werden hierzu 3D-bildgebende Verfahren, wie Time-of-Flight oder Stereo Vision Kamerasysteme verwendet. Mit der Deep Learning DS Software von Data Spree lässt sich die Software-Logik im Hintergrund effizient und einfach umsetzen.

Abbildung 1 - Links: Falschfarbenbild von Tiefeninformation und Graustufenbild, rechts: 3D Punktwolke und Objektoberfläche der erkannten Pakete

Im ersten Schritt müssen zunächst Bilder von den zu palettierenden Objekten aufgenommen werden. Dann erfolgt die Zuordnung der Objekte in Klassen, beispielsweise Pakettyp A, Pakettyp B und Pakettyp C. Diese Zuordnung wird Annotation oder Labeling genannt.  

Danach trainiert die KI iterativ die Erkennung und korrekte Zuordnung, sowie die Position,Größe und Orientierung der Objekte. Die KI funktioniert hierbei ähnlich wie das menschliche Gehirn und lernt auf Grundlage der Bilddaten Objekte zu erkennen, zuzuordnen und zu lokalisieren - ohne, dass spezifische Objektmerkmale manuell vordefiniert werden müssen. Mit Deep Learning DS kann man diesen „Lernprozess“schnell und einfach selbst durchführen. Die Data Spree bietet zudem aber auch den vollständigen Prozess bis hin zur produktiven Integration in die Anlage als Service an.

Mit dieser Methode lassen sich somit unterschiedlichste und komplexe Palettieraufgaben schnell und einfach umsetzen – und das ohne eine einzige Zeile Programmiercode. Automatisierungsprozesse lassen sich somit sehr effizient und robust realisieren. In wenigen Stunden lässt sich so ein einsatzfähiger Prototyp erstellen und innerhalb kürzester Zeit in eine produktive Lösung erweitern. Die schnellen KI-Modelle der Data Spree sorgen zusätzlich für eine Echtzeitfähigkeit im hochfrequenten Produktions- und Logistikbetrieb. Ein weiterer Vorteil ist die Flexibilität des lernenden Systems. Falls sich Produkte, Produkteigenschaften oder Objekte aufgrund von Produktions- oder Logistik umstellungen ändern kann die KI einfach mit neuen Bildern „gefüttert“ und nachtrainiert werden. So kann schnell und effektiv auf Änderungen in der Produktion oder Logistik reagiert werden, ohne wieder von vorne anfangen oder eine neue Lösung einkaufen und implementieren zu müssen.

Schnelle und einfache Ausführung

Das trainierte KI-Modell kann durch das offene ONNX-Standardformat individuell in jede Kundenanwendung integriert werden. Die Data Spree eigene Ausführungsumgebung Inference DS bietet zudem eine einfache grafische Benutzeroberfläche in der das KI-Modell schnell über Drag-and-Drop Prinzip auf der jeweiligen Hardware, wie Smart-Kamera oder Industrie-PC, ausgeführt werden kann. Das spart Integrationszeit – und vor allem Kosten.   

Das folgende Beispiel zeigt einen chaotischen Palettenaufbau mit unterschiedlichen Objekten verschiedenster Größe, Dimension, Geometrie und Orientierung. Auf der linken Seite sieht man das ausgegebene Falschfarbenbild, was sich aus Tiefeninformation und Graustufenbild zusammensetzt. Rechts die 3D-Punktwolke mit Markierungen auf den erkannten Objekten und das über den ADLINK Data River voll integrierte InfluxDB Dashboard, um die Menge an Objekten zu tracken. Diese Beispielapplikation erreicht Ausführungszeiten von unter 30ms und ist somit auch für schnelle Palettierungsprozesse hervorragend geeignet.  Über das Inference DS Roboter Plugin lassen sich die Objektkoordinaten einfach ausgeben und an die entsprechende Steuerung schicken. Somit ist die kundenindividuelle Palettierungsapplikation nicht nur schnell fertiggestellt, sondern auch schnell und einfach integriert.

Lassen Sie uns über Ihr Projekt sprechen.
Entscheiden Sie sich für eine unserer einsatzfertigen Lösungen, beginnen Sie mit der Erstellung Ihres Deep-Learning-basierten Systems oder teilen Sie uns Ihre Anforderungen mit, damit wir eine individuelle Anwendung für Sie realisieren können.
Kontakt
Let's talk about your project.
Adopt one of our ready-to-use solutions, start creating your deep-learning-based system, or tell us your requirements to let us build an individual application for you.
Contact