Suchen

IBV So sorgt Bildverarbeitung für reibungslose Logistikprozesse

Redakteur: Dipl. -Ing. Ines Stotz

Der Lebensmittelhandel ist ein hart umkämpfter Markt – Effizienz, insbesondere auch in der Logistik, spielen deshalb eine wichtige Rolle. In einem Großprojekt, mit dem das Zentrallager eines Händlers automatisiert wurde, sorgen Bildverarbeitungslösungen von Framos für reibungslose Prozesse.

Firmen zum Thema

In der Lebensmittellogistik kann Bildverarbeitung mit selbstlernenden Algorithmen/Klassifikatoren eine wichtige Rolle spielen.
In der Lebensmittellogistik kann Bildverarbeitung mit selbstlernenden Algorithmen/Klassifikatoren eine wichtige Rolle spielen.
(Bild: gemeinfrei / CC0 )

Innerhalb der Lieferkette des Logistikzentrums einer Schweizer Supermarktkette werden vier Sortier- und Erkennungsaufgaben mit Hilfe des Framos Know-hows (Sorting Intelligence) und eigens entwickelten Anlagenkonzepten gelöst. Diese können beispielhaft für die Logistikautomatisierung und das dahinterliegende Optimierungspotenzial innerhalb des Einzel- und Versandhandelsgeschäftes gesehen werden.

Frischwaren-Anlieferung: Gebindetypen identifizieren

Klassischerweise werden Frischwaren verschiedener Produzenten in Mehrweg-Behältern unterschiedlichster Ausprägung, sogenannten „Gebinden“, im Logistikzentrum angeliefert. Im Bereich der Frischelogistik ist das ein so genannter Kälteautomat, ein auf 3°C gekühltes Gebäude, in dem die ankommenden Waren über eine Fördertechnik herein laufen. Die auf Rollwägen aufgetürmten Gebinde werden ins Lager gefahren und müssen dort zur Einlagerung entstapelt werden. In einem Gebindeturm kommen dabei Gebinde unterschiedlichen Typs vor, lediglich nebeneinander befindliche Behälter auf der gleichen Lage im Gebindeturm sind von der gleichen Sorte.

Bildergalerie

Das Entstapeln der knapp 2 m hohen Türme wird über einen Klemmförderer am oberen Ende eines Hebeautomaten realisiert. Damit dieser Prozess richtig funktioniert, muss der Gebindetyp der jeweils obersten und der darunterliegenden Lage erkannt werden. Hier kommt das erste Framos-System zum Einsatz: Mittels 6 LED-Barlights der Firma Falcon wird eine Dunkelfeld-Beleuchtung realisiert, die die Griffmulden und Durchbrüche in den Gebindenwänden hervorhebt. Eine 1,3 MP-Kamera der Firma Smartek (GC1391M) generiert eine Aufnahme der jeweils obersten zwei Lagen des Gebindeturms und führt diese dem Machine-Learning-Klassifikator zu. Dieser klassifiziert, basierend auf zuvor „gelernten“ Aufnahmen, die Gebinde in diesen Lagen. Anschließend werden die Ergebnisse an die Anlagensteuerung übermittelt, die oberste Lage entstapelt und anschließend weiter vereinzelt. Der Gebindeturm wird dann um die jetzt bekannte Höhe der nächsten Lage angehoben und der Prozess beginnt von vorne, bis keine Lagen mehr vorhanden sind und der Turm komplett entstapelt ist.

Durch den Einsatz lernender Algorithmen ist es so möglich selbst jene Gebinde korrekt zu klassifizieren, die zu großen Teilen von Papieretiketten verdeckt sind, Beschädigungen aufweisen oder stark verschmutzt sind. Aktuell lassen sich 20 Gebindetypen robust und zuverlässig klassifizieren. Ein weiterer Vorteil des gewählten Ansatzes besteht darin, dass mit geringem Aufwand neue Gebinde zu den vorhandenen Typen hinzugefügt werden können. Dazu ist es lediglich nötig, in einer „Lernphase“ Bilder der neuen Gebinden in der Anlage zu generieren und einzulernen.

Nutzen: Durch den Einsatz lernender anstatt regelbasierter Klassifikatoren können trotz hoher Variationsvielfalt innerhalb einer Klasse bei einer gleichzeitig hohen Klassenanzahl robuste Klassifikationsergebnisse erzielt werden und ist somit perfekt geeignet für vielzählige Sortieraufgaben in der Logistik.

(ID:44154015)