FRAMOS Volumen- und Dimensionslichtgitter (VLG)

FRAMOS Volumen- und Dimensionslichtgitter (VLG) FRAMOS Technologies Inc.

Traditionelle Sortiervorgänge sind durch manuelle Arbeit geprägt, der Prozess dauert lang, ist fehleranfällig und verursacht hohe Kosten. Das FRAMOS Volumen- und Dimensionslichtgitter (VLG) ist eine einfache Methode Industrie 4.0- und Machine Learning-Prozesse zur Datenerhebung und Sortierung von Waren in neue oder bestehende Anlagen zu integrieren.

An Produktions- und Logistik-Straßen aller Branchen mit hoher Warenvielfalt sowie bei Versand- und Paketdienstleistern ist die Datenerfassung und Sortierung unterschiedlichster Sendungen zur korrekten Weiterverarbeitung eine der größten Herausforderungen. Neben der aufwändigen Datenerfassung machen uneinheitliche Verpackungen eine maschinelle Sortierung fast unmöglich.

Aufgrund der Vielzahl der verschiedenen Größenklassen und Formen, der Vielzahl der verwendeten Verpackungsmaterialien sowie der Stapelung und Häufung der Pakete auf dem Förderband sind die einzelnen Pakete mit herkömmlichen Technologien nicht erfassbar. Der Sortiervorgang ist daher auch bei hohen Umschlagvolumina oft noch stark manuell geprägt. Dies führt zu hohen Kosten sowie zu langsamen und fehleranfälligen Sortiervorgängen.

Bild: FRAMOS Technologies Inc. - Fotolia  ©GraphicCompressor

Bild: FRAMOS Technologies Inc. – Fotolia ©GraphicCompressor

Mit Bildverarbeitung erhobene Daten und Machine Learning ermöglichen eine schnelle Erfassung und automatische Sortierung als nächsten Evolutionsschritt in industriellen Sortierprozessen. Die „sehenden Maschinen“ lernen mit kognitiven Prozessen anhand großer Datenmengen selbst, ob beispielweise ein bestimmtes Objekt beschädigt ist, wie es klassifiziert und sortiert werden muss und ob die Qualität stimmt. Mit der erlernten künstlichen Intelligenz können die „sehenden und denkenden Maschinen“ logistische Prozesse vollautomatisiert steuern. 

Vollautomatische Sortierung mit Machine Learning

Machine Learning fügt dem Sortierprozess und dem dahinterliegenden Algorithmus selbstlernende Fähigkeiten hinzu. Dazu bekommt der Algorithmus zunächst eine hohe Anzahl an Bilddaten, zum Beispiel zehntausende Bilder von auf einem Förderband gestapelten Objekten. Für den Computer bedeutet dies zunächst Chaos. Anschließend werden die Bilddaten vorklassifiziert.

Dem Algorithmus wird beigebracht „Das ist ein Paket“ und anhand individueller Merkmale, die er selbst erkennt und zuordnet, kann er die Objekte anschließend in die vorklassifizierten Kategorien einteilen. Diese Klassifizierungen finden durch die Anwendung eines neuronalen Netzes statt. Das neuronale Netz stellt einen mehrstufigen, rechenaufwendigen Prozess dar, der Daten über mehrere Stufen separiert und so die Klassifizierungen vornimmt.

Die intelligente Leistung des Algorithmus liegt darin, dass er Bildmuster erkennt und anhand der vorher getätigten Klassifizierung lernt, warum und anhand welcher Merkmale diese Klassifizierung existiert. Die Maschine lernt in diesem Fall, anhand welcher Parameter ein Paket als Paket einzustufen ist. Damit kann der Algorithmus zukünftige einzelne Objekte selbstständig klassifizieren.

Der Bildverarbeitungsspezialist FRAMOS hat speziell für die schnelle Erfassung und Sortierung ein Plug-and-Play-Gerät zur direkten Einbindung am Förderband entwickelt. Das Volumenlichtgitter (VLG) ermöglicht die Erfassung der dreidimensionalen Abmessungen und Volumina sowie des Gewichts von Objekten in Echtzeit und damit die nahtlose Integration und automatisierte Nutzung dieser Informationen in unterschiedlichste Produktions- und Intralogistikaufgaben.

Automatisierungsprozess

Automatisierungsprozess Bild: FRAMOS Technologies Inc. – Fotolia ©zapp2photo

Die hohe Applikationsvielfalt des VLG ermöglicht z.B. eine verifizierte Warenannahme inklusive exakter Dokumentation, eine optimierte Einlagerung, die automatische Weiterverarbeitung und Kommissionierung sowie eine ständige Qualitätskontrolle. Mit dem Einsatz von Machine Learning-Algorithmen kann das FRAMOS VLG sofort als intelligente Anlage eingesetzt werden. Machine Learning kommt dort zum Einsatz, wo die bildgebende oder taktile Sensortechnik ihre Grenzen erreicht. Beispielsweise in der Sortierung von stark diversifizierten Objekten.

Mit 3D-Scannern wäre eine Identifizierung der Form nur unzureichend und bei niedriger Geschwindigkeit möglich. Für eine Anlage mit Greifroboter bedeutet dies potenzielle Sortierungenauigkeiten, Fehlleitungen, Anlagenausfälle, Wartezeiten und eine aufwendige manuelle Nachbereitung. Machine Learning gesteuerte Anlagen dagegen erkennen anhand des gelernten Klassifikations-Schemas die Objekte und deren Form exakt und der Roboter kann die Sortiervorgänge vollständig maschinell und in erhöhter Geschwindigkeit durchführen.

Zusätzlich zu den 3D Daten des VLGs können industrielle Kameras eingesetzt werden. Auch diese Daten werden zunächst erfasst und anschließend in einer lokalen Recheneinheit analysiert und kategorisiert. Der Algorithmus sieht das Bild, prozessiert, ob und welche seiner gelernten Muster er erkennt und kann damit den Sortiervorgang komplett automatisch steuern beziehungsweise Handlungsbefehle an die nachgelagerten Systemschritte triggern.

Gleichzeitig lernt der Algorithmus mit jedem Bild weiter und verfeinert seine Kriterien. Mit Bildverarbeitung, angereichert durch künstliche Intelligenz, steht Unternehmen mit hohen Umschlagsvolumina und aufwändigen Sortiervorgängen eine vollintegrierte automatisierte Industrie 4.0 Lösung mit Machine Learning zur Verfügung.

Machine Learning als strategischer Wettbewerbsvorteil

Die Nutzung der dabei erfassten Daten ermöglicht erstmals eine lückenlose Analyse der gesamten Sortierzyklen und der nachgelagerten Prozessschritte. Dabei gilt die in vielen Branchen sehnsuchtsvoll angestrebte Losgröße1 als Standard. In automatisierten Sortierprozessen werden im wahrsten Sinne des Wortes am laufenden Band Echtzeit-Entscheidungen auf unvorhersehbare Ereignisse mit ständig wechselnden Kriterien getroffen.

Eine aufwendige Vorsortierung oder Vor-Klassifizierung kann wegfallen. Die mit Machine Learning erweiterten Bildverarbeitungsalgorithmen versetzen die Anlagen in die Lage, selbstständig valide Entscheidungen zu treffen. Damit rückt das Ziel der Null-Fehler-Logistik sowie eine präventive Fehlervermeidung in greifbare Nähe. Auf Basis der Komplettdaten sind Dashboards umsetzbar, welches eine Vielzahl an analytischen Fragen beantworten. Plötzlich lassen sich Zusammenhänge bilden und Erkenntnisse ableiten, die vorher unsichtbar waren.

Machine Learning in der Industrie 4.0

Machine Learning in der Industrie 4.0 FRAMOS Technologies Inc. – Fotolia ©zapp2photo

Die Bildverarbeitung avanciert so vom bloßen Inspektor zum Produktionsoptimierer. Mit den riesigen Datenmengen der intelligenten Algorithmen lassen sich verlässlichere Prognosen bilden und optionale Handlungsoptionen für eine strategisch orientierte Planung ableiten. Die mit der Vernetzung von Sensortechnik und Datenbanken realisierte optimale Anlagennutzung schafft einen vereinfachten Workflow, bringt Ressourceneinsparungen und führt zu verringerten Handlingskosten. Die Durchlaufzeit der Objekte sowie die anschließende Weiterverarbeitung wird beschleunigt und weniger fehleranfällig, womit auch die Prozessqualität wächst.

Dr. Simon Che’Rose, Entwicklungsleiter bei FRAMOS, erläutert den Nutzen eines mit Machine Learning ausgestatteten VLG-Systems: „Das VLG ermöglicht eine schnelle und unkomplizierte Automatisierung, um Durchlaufzeiten zu minimieren sowie Stück- und Logistikkosten zu senken. Unsere Ingenieure bringen sehr viel Erfahrung zu künstlicher Intelligenz und Machine Learning ein, unser jahreslanges Bildverarbeitungs-Know-How garantiert eine sehr hohe Softwarequalität. Das VLG ermöglicht Prozessautomatisierungen wie Sortier-, Orientierungsaufgaben sowie Qualitätssicherungsmaßnahmen. Mit immensen Wertschöpfungs- und Kostenvorteilen in der Supply Chain unterstützen wir Unternehmen bei der effizienten Logistikautomatisierung. So heben wir die Produktion und Logistik auf ein neues Level und machen sie zukunftsfähig.“