Kartons zuverlässig und präzise positionieren

Wie unterscheidet sich das Palloc-System konkret von anderen bestehenden Lösungen auf dem Markt?

Maik Ahlens: Unsere Komplettlösung ist speziell für die Roboterautomatisierung von schweren, monotonen Materialtransporten in der Produktion bzw. Intralogistik sowie für den Groß- und Einzelhandel, also Distributionscenter, konzipiert. Palloc unterscheidet sich von anderen Lösungsansetzen besonders hinsichtlich der hohen Flexibilität durch seinen modularen Aufbau inklusive der freien Wahl bei der Kameramontage und damit seiner Vielseitigkeit. Aber auch die multisensorische Erfassung unter schwierigen Bedingungen, die präzise und zuverlässige Identifikation von unterschiedlich großen und in der Höhe verschiedene Lagenebenen, ist ein besonderes Merkmal. Hinzukommen die einfache Integration in bestehende IT-Infrastrukturen ohne zusätzlichen PC, Echtzeit-Datenverarbeitung sowie hohe Benutzer- und Wartungsfreundlichkeit.

Mit unserem Palloc-System adressieren wir gezielt Herausforderungen beim Handling von Paketen unterschiedlichster Größe und unterstützen gleichzeitig die Automatisierung innerhalb der Materialflusses. Dazu zählt die genaue Lokalisierung einzelner Kartons zur präzisen Entnahme durch Roboter mit der gleichzeitigen Lieferung zuverlässiger Greifdaten mittels Gripping Point auch beim Mix-Palletizing oder auch die automatische Entnahme von Paketen der obersten Lage durch einen Roboter.

Hinzu kommen das Handling von Kartons in Standard-Materialflussabläufen in Produktionsprozessen sowie die einfache ‚Plug & Play‘- Inbetriebnahme mit intuitiver Bediensoftware via Webbrowser ohne die Verwendung weiterer externer Hardware.

Wie funktioniert die Integration des vorinstallierten neuronalen Netzes in die 3D-Snapshot-Kamera und welche Vorteile bietet diese gegenüber herkömmlichen Kamerasystemen?

Ahlens: Die 3D-Snapshot-Kamera des Palloc-Systems ist mit einem vorinstallierten neuronalen Netz ausgestattet, das speziell für die Verarbeitung und Analyse von 3D-Bilddaten optimiert ist. Dieses wurde trainiert, um Objekte in einem dreidimensionalen Raum zuverlässig zu erkennen und zu klassifizieren. Dabei erfasst die Kamera dreidimensionale Bilddaten des Umfelds. Dies ermöglicht die Erzeugung eines genauen 3D-Modells der Szene, einschließlich der Geometrie und Position der Kartons und eine zuverlässige Segmentierung von einzelnen Kartons sowie die Bestimmung der Höhe der obersten Lage. Die erfassten 3D-Daten werden in Echtzeit an das neuronale Netz weitergeleitet, das sofort eine Analyse durchführt. Das Netz erkennt und identifiziert Kartons, bestimmt ihre genaue Position und Orientierung und kann auch Unterschiede oder Anomalien erkennen. Die Ergebnisse der neuronalen Netzwerkanalyse werden in das Palloc-System integriert, wo sie zur Steuerung der logistischen Prozesse genutzt werden.

Palloc verwendet die 3D-Snapshot-Kamera Visionary-S mit integrierter strukturierter Beleuchtung zur präzisen Bilderfassung der oft eng gestapelten Kisten. © Sick

Im Vergleich zu anderen Kamerasystemen ermöglicht die 3D-Snapshot-Kamera eine präzisere Erfassung der räumlichen Geometrie und verfügt über eine gewisse Robustheit gegenüber Störungen wie wechselnden Lichtverhältnissen, Schatten oder Teilverdeckungen. Dies führt zu einer genaueren Identifikation und Positionierung von Paletten, selbst in komplexen oder unübersichtlichen Umgebungen. Hinzu kommen eine schnellere Verarbeitung der Daten sowie Reaktionszeiten durch die vortrainierten Modelle, erweiterte Funktionalitäten durch die umfassen Anomalieerkennung und flexiblen Anpassungen sowie die einfache Systemintegration und Möglichkeit zur stetigen Weiterentwicklung des neuronalen Netzes.

Können Sie erklären, wie der Deep-Learning-basierte Lokalisierungsalgorithmus von Palloc entwickelt wurde und welche spezifischen Herausforderungen dabei gemeistert werden mussten?

Ahlens: Unser Ziel war es, eine zuverlässige Positionierung von Kartons in komplexen und dynamischen Umgebungen zu ermöglichen. Bei der Entwicklung des Lokalisierungsalgorithmus haben wir verschiedene Stationen durchlaufen, beginnend mit der Erfassung umfangreicher 3D-Daten von unterschiedlichen Boxentypen in unterschiedlichen Szenarien sowie deren Annotation und Vorverarbeitung. Diese Daten bilden die Basis für die Auswahl der passenden Deep-Learning Modellarchitektur und das anschließende umfangreiche Training des Modells.

Besondere Herausforderungen bei der Entwicklung lagen beispielsweise im Umgang mit komplexen Umgebungen, also der Vielzahl von Formen und Zuständen, sowie in der Verarbeitung großer Datenmengen. Da die Lokalisierung in Echtzeit erfolgen muss, war es eine Herausforderung, das Modell so zu optimieren, dass es große Mengen an Daten schnell und effizient verarbeiten kann, ohne die Genauigkeit zu beeinträchtigen. Das Training und der Einsatz von Deep-Learning-Modellen erfordern zudem erhebliche Rechenressourcen. Ein Balanceakt bestand darin, ein Modell zu entwickeln, das leistungsfähig genug ist, um präzise zu arbeiten, aber gleichzeitig effizient genug, um in einer industriellen Umgebung eingesetzt werden zu können.

Wie trägt die integrierte KI dazu bei, dass das System neue, bisher nicht gesehene Kartonvarianten im laufenden Betrieb zuverlässig erkennt und verarbeitet? Welche Rolle spielt dabei die KI-Tool-Suite?

Ahlens: Die KI, die im Palloc-System integriert ist, wurde mit einer sehr hohen Anzahl von Bildern von unterschiedlichen Kartondaten und -typen vortrainiert. Dabei kommen Techniken wie Datenaugmentation zum Einsatz, bei denen die Trainingsdaten künstlich erweitert werden, um verschiedene Formen, Größen, Farben und Beschädigungen von Paketen zu simulieren. Dies erhöht die Fähigkeit des Modells, auch neue und bisher unbekannte Varianten zu erkennen. Das neuronale Netz im Palloc-System ist darauf ausgelegt, wesentliche Merkmale von Kartons zu extrahieren, wie Kanten, Ränder, Ecken und geometrische Formen. Diese Merkmale sind oft über verschiedene Kartonvarianten hinweg ähnlich, wodurch das Modell dies auch auf neue Kartons anwenden kann. Aufkleber, Barcodes oder andere Beschriftungen werden automatisch erkannt und ignoriert. Aktuell arbeiten wir daran, dass auch andere Körper wie Kleinladungsträger oder Säcke künftig verwendet werden können.

Die KI-Tool-Suite im Palloc-System umfasst eine Reihe von Werkzeugen und Schnittstellen, die das Training, die Feinabstimmung und die Echtzeit-Adaptation des neuronalen Netzes ermöglichen. Sie erlaubt es, neue Kartonvarianten schnell zu integrieren. Dies geschieht durch ein Verfahren, bei dem das neuronale Netz auf neue Objektvarianten trainiert wird, während es seine bereits erlernten Fähigkeiten beibehält. Ein wichtiger Aspekt der KI-Tool-Suite ist zudem die Nutzung von Transfer Learning, bei dem das bestehende Modell auf Basis neuer Daten weiterentwickelt wird. Dabei werden bereits gelernte Merkmale und Muster auf neue, ähnliche Aufgaben übertragen, was eine schnelle Adaption an neue Kartontypen ermöglicht.

Wie sehen Sie die Zukunft von Deep-Learning-Technologien in der industriellen Sensorik und Bildverarbeitung, insbesondere in Bezug auf deren Einsatz in der Materiallogistik?

Ahlens: Deep-Learning-Technologien in der industriellen Sensorik und Bildverarbeitung haben ein hohes Potenzial, insbesondere in der Intralogistik und in Produktionsprozessen. Wir sind davon überzeugt, dass Deep-Learning-basierte Systeme künftig in der Lage sind, sich automatisch an neue Umgebungen und Herausforderungen anzupassen und damit in Echtzeit dazulernen und sich weiterentwickeln. Zudem wird durch den Einsatz und Weiterentwicklung von Deep Learning die Notwendigkeit manueller Kalibrierungen und Anpassungen weiter abnehmen. Fehlerquoten werden weiter minimiert, was zu einer höheren Prozesssicherheit und Zuverlässigkeit führt. Mit der zunehmenden Integration von KI und Deep Learning können Sensoren nicht nur erkennen, sondern auch prognostizieren. Damit können Systeme potenzielle Probleme vorhersagen und vorbeugend eingreifen, bevor sie zu Ausfällen führen. Die Systeme passen sich zudem mehr und mehr den Produktionsprozessen an. Dies fördert den passgenauen Einsatz mit weniger Integrationsaufwand und damit auch Kosten.

Wir betrachten die einfache Integration von Deep-Learning-Lösungen in bestehende Intralogistiksysteme als zentralen Faktor. Künftig wird es vermehrt Lösungen mit vortrainierter KI geben, sodass Unternehmen ihre vorhandenen Systeme mit minimalem Aufwand um Deep-Learning-Funktionen erweitern können. Deep-Learning-Technologien werden immer besser darin, nicht nur Daten zu analysieren, sondern auch Entscheidungen auf Basis dieser Daten zu treffen. In der Intralogistik könnten solche Systeme in Echtzeit die effizientesten Wege zur Warenverteilung, Lagerung und Bestandsverwaltung bestimmen und umsetzen. Es bleibt auf jeden Fall spannend.