Das manuelle Kommissionieren verursacht je nach Branche bis zu 50 % der Gesamtlagerkosten. Bedingt durch unterschiedliche Formen, Größen und Oberflächen der Artikel ist das automatisierte Kommissionieren in vielen Bereichen bisher noch nicht möglich.

Aufbau der Kommissionierzelle: Das System besteht aus einem Portalroboter, der einen Toroidgreifer nutzt. Fünf an der Roboterbrücke angebrachte Kameras erfassen die Artikel.

© MTL

Heutige Systeme nutzen zur Objektvermessung meist Laser-Distanzmessgeräte. Zwar zeichnen sich diese Systeme durch eine schnelle Erfassung aus, aber eng gepackte Artikel und reflektierende oder transparente Oberflächen lassen sich damit nur unter großem Aufwand oder gar nicht vermessen.

Die Erkennung der Artikel - also das Zuordnen der gemessenen Größen zu einer Artikelklasse - läuft nach einem statischen Mustervergleich ab. Das bedeutet: Die Software vergleicht das gemessene Höhenprofil mit 3D-CAD-Daten. Säcke, Tüten und deformierte Artikel fallen durch das statische Raster und werden somit als undefinierbare Objekte klassifiziert.

Das nächste Problem stellt das Greifen selbst dar: Die eingesetzten Greifer sind meist auf spezielle Anwendungen zugeschnitten und eignen sich nicht zur Handhabung unterschiedlicher Geometrien. Ein Lösungsansatz entsteht am Lehrstuhl für Maschinenelemente und Technische Logistik (MTL) der Helmut-Schmidt-Universität in Hamburg mittels eines vollautomatischen Kommissioniersystems, das die Aufgaben Erfassen, Erkennen und Greifen auf teils neuartige Weise löst

Das Erfassen

Die Erfassung - also die räumliche Vermessung der Artikel auf einem Objektträger - nutzt die klassische Methoden der Bildverarbeitung und greift dabei auf Funktionen der Standardbibliothek „Halcon" der Firma MVTec zurück. Zunächst wird ein Höhenprofils erzeugt, um anschließend daraus die einzelnen Artikel zu separieren.

Bestimmung markanter Punkte im Höhenprofil: Aus dem Abstand der Punkte D1 und D2 sowie dem Abstand b der Kameras relativ zueinander und der Gesamthöhe H berechnet die Routine über Strahlensätze die Höhe des Punktes P.

© MTL

Erzeugen des Höhenprofils

Fünf parallel angebrachte Industriekameras nehmen die Artikel in der Lagerkiste auf. Für die Bestimmung der Bildtiefen bilden zwei benachbarte Kameras jeweils einen Stereo-Aufbau. Während der Aufnahmen beleuchten LED-Leisten den Lagerbereich. Die Software entzerrt die fünf aufgenommenen Bilder und wertet nacheinander die vier Stereo-Aufnahmen aus.

Über einen Grauwert-Vergleich detektiert sie im jeweils linken Bild die markanten Punkte. Um die Höhen dieser Punkte zu berechnen, nutzt die Bildverarbeitung die Halcon-Methode „Binocular-Distance". Diese Methode vergleicht im Suchraum des rechten Bildes pixelweise die Ähnlichkeit zum jeweils markanten Punkt im linken Bild. Das funktioniert mit Hilfe einer Korrelationsanalyse. Mit steigender Größe der Korrelationsmaske gehen mehr Umgebungsinformationen in den Vergleich ein, die Qualität der Punktzuordnung steigt. Aber auch der Rechenaufwand erhöht sich und verschlechtert die Performance der Auswertung.

Über Strahlensätze bestimmt die Software aus dem nun bekannten Punkt aus Sicht der beiden Kameras die Höhe des Punktes P. Die Erfassung ergibt eine Matrix, in der den markanten Punkten Grauwerte zwischen 0 - für die maximale Höhe - und 255 - für Punkte auf dem Objektträger zugewiesen werden.

Über diese Stützstellen läuft eine Interpolation, deren Ergebnis ein Höhenprofil der Artikel ist. Die Erfassung und Auswertung eines Höhenprofils dauert bis zu drei Sekunden, abhängig von der Anzahl markanter Punkte. Vor der Erfassung findet einmalig eine Kalibrierung des Aufbaus statt, die nur bei veränderter Fokussierung der Kameras wiederholt werden muss.

Eine Kalibrier-Platte wird in 21 Positionen je Kamera und Stereo-Aufbau aufgenommen. Mit den Halcon-Methoden „Camera-Calibration" für die fünf Kameras und „Binocular-Calibration" für die Stereo-Aufbauten wertet die Bildverarbeitung die Aufnahmen aus.

Problematische Artikel erfassen

Eine Herausforderung bei der Erzeugung des Höhenprofils bilden Artikel mit kontrastarmen Oberflächen; markante Punkte lassen sich in diesem Fall nicht mit der oben beschriebenen Methode identifizieren, da der Grauwert-Vergleich ins Leere läuft. Am MTL wurde dieses Problem durch den Einsatz eines Muster- Generators gelöst: Ein Flexpoint-Laser mit einem diffraktiven optischen Aufsatz projiziert eine Lichtpunkt-Matrix auf die Artikel.

Der Punktabstand ist abhängig vom jeweiligen Abstand und beträgt am Versuchsstand etwa 5 mm. Diese „Hilfsmatrix" ermöglicht die Erstellung des Höhenprofils für kontrastarme Objekte. Schwierigkeiten beim Einsatz des Lasers machten jedoch transparente Verpackungen. Die Lichtstrahlen fielen durch das Objekt, ohne Markierungen auf der Oberfläche zu hinterlassen. Ein ähnliches Problem besteht bei reflektierenden Oberflächen, bei denen der Laser kein definiertes Muster auf der Oberfläche erzeugt.

Um diese Probleme zu umgehen, besprüht ein Ultraschall-Vernebler solche Verpackungen mit einem Wassernebel. Der Nebel setzt sich als Tröpfchen-Film auf die Oberfläche und verhindert die Reflexionen. Das Wasser verdunstet nach kurzer Zeit. Im weiteren Projektverlauf sollen die Reflexionen zusätzlich durch die Verwendung diffuser Lichtquellen reduziert werden.

Das Separieren der Artikel

Ist das Höhenprofil erstellt, geht es darum, einzelne Artikel in der Kiste zu unterscheiden. Zunächst sucht die Routine bekannte und hinterlegte Muster im Höhenprofil. Dazu greift die Bildverarbeitungssoftware auf die Korrespondenzanalyse der Halcon-Methode „Find-NCC-Model" zurück, die einen Qualitätswert für die Ähnlichkeit zwischen Aufnahme und einem hinterlegten Muster bestimmt. Findet die Methode keine Muster in den Artikel-Oberflächen kommt ein hybrides Verfahren aus kanten- und flächenbasierter Segmentierung zum Einsatz.

Zunächst versucht die Software über weniger rechenintensive kantenbasierte Verfahren, wie die Halcon-Methode „Detect-Edge-Segments", Kantenzüge über einen Grauwert-Vergleich im Höhenprofil zu identifizieren. Dem Performance-Vorteil dieser Verfahren steht der Nachteil entgegen, dass die Ergebnisse oft lückenhaft sind. Darum ergänzt die Software die lückenhaften Ergebnisse mit rechenintensiveren flächenbasierten Verfahren, wie etwa der Halcon-Methode „Regiongrowing".

Bei dieser Methode wird das Höhenprofil in homogene Flächen mit stetiger Steigung oder konstanter Höhe unterteilt. Dieses hybride Vorgehen ergibt eine ausreichende Separierung der Artikel. Die Software misst nun für alle Artikel geometrische Größen aus den bis hier gewonnenen Daten, die die Grundlage für die folgende Erkennung unbekannter Objekte bilden.

Die Objekterkennung

Erkennen meint die Zuordnung einer unbekannten, geometrischen Form zu einer definierten Artikelklasse. Die Anzahl der dabei nötigen Merkmale ist abhängig vom Umfang des Sortiments. Zur Identifizierung unbekannter Artikel nutzt das System Kennwerte aus geometrischen Größen und Farbinformationen.

Ein künstliches neuronales Netz besteht aus Knoten – den Neuronen –, die in Schichten angeordnet sind. In der Eingabeschicht werden die gemessenen Artikel-Merkmale dem Netz präsentiert. Die zweite – oder auch verdeckte – Schicht verarbeitet die Daten. Ein einzelnes Neuron bildet die Ausgabeschicht, das die Artikelklasse als Zahlenwert zurückgibt.

© MTL

Die Kennwerte werden einem trainierten künstlichen neuronalen Netz (KNN) übergeben, welches die Objekte einer Artikelklasse zuordnet. Ein künstliches neuronales Netz besteht aus Knoten, auch Neuronen genannt, die in drei oder mehr Schichten angeordnet sind.

In der Eingabeschicht werden die Merkmale dem Netz präsentiert. In der zweiten - oder auch verdeckten - Schicht werden die Daten verarbeitet. Die Anzahl der Neuronen der verdeckten Schicht hängt von der Komplexität des Sortiments ab. Bei einer Erweiterung des Artikel-Spektrums lässt sich die verdeckte Schicht um weitere Ebenen und Neuronen ergänzen. Ein einzelnes Neuron bildet die Ausgabeschicht, das die Artikelklasse in Form einer reellen Zahl zurückgibt. Bevor das KNN fähig ist, Objektmerkmale einer Artikelklasse zuzuordnen, muss es trainiert werden.

Das bedeutet: Die Gewichte der Kanten, die die Neuronen der unterschiedlichen Schichten verbinden, müssen auf die Problemstellung anpasst werden. Dazu werden dem Netz mögliche Merkmals-Ausprägungen eingespielt, die eine bekannte Artikelklasse auszeichnen. Die benötigten Produktdaten sind in einem regelbasierten Expertensystem abgelegt, also einer Datenbank, auf die mit „Wenn-Dann-Regeln" zugegriffen werden kann. Dieses Expertensystem prüft auch nach dem Training die Ausgaben des neuralen Netzes.

Hat das Netz einen neuen Artikel zugeordnet, werden seine Eigenschaften in das Expertensystem aufgenommen und eventuell die Kantengewichte des neuralen Netzes angepasst. Dieses Vorgehen steigert laufend die Genauigkeit der Zuordnung. Die Bildverarbeitung läuft in einer C++-Umgebung, die über eine OPC-Server/ Client-Architektur im permanenten Austausch mit der SPS des Kommissioniersystems steht.

Flexibel greifen

Zum Greifen unterschiedlicher Verpackungsformen nutzt das Kommissioniersystem einen am MTL entwickelten Toroidgreifer. Dieser Greifer besteht aus einem mit einem fließfähigen Material - wie zum Beispiel Wasser oder Luft - gefüllten, doppelwandigen Schlauch, der in eine Hülse eingeklebt ist. Die Innenseite des Schlauches ist mit einem stabförmigen Greiferinnenteil verbunden, welches axial im Deckel der Außenhülse gelagert ist.

Zum Greifen wird die Unterseite des Schlauches teilweise über den Artikel gestülpt, der sich flexibel und sanft an die Oberfläche des Artikels anpasst. Durch Relativbewegung zwischen Innen- und Außenteil legt sich der Schlauch an das Greifgut und zieht es hinein. Das Lösen des Gutes erfolgt durch Absenken des Greiferinnenteils. Damit ist es möglich, unterschiedliche Geometrien zu greifen.

Im nächsten Projektschritt soll am MTL eine weitere Kommissionierzelle aufgebaut werden. Der heute verwendete Portalroboter weicht einem Knickarm- Roboter, der auf Schienen verfahrbar einen kompletten Lagergang beschickt. Dabei lagern die Artikel sortenrein und sortenunrein in Kisten auf drei Regalebenen. Die Kameras und die Beleuchtung rücken direkt an den Greifer.

Autor: Dipl.-Math. Björn Cleves ist wissenschaftlicher Mitarbeiter an der Helmut- Schmidt-Universität in Hamburg.