Mit gestiegenen Umschlagvolumina im B2C- und B2B-Warenversand stoßen traditionelle Technologien in der Logistik und Intralogistik an ihre Grenzen. Vor allem die schwierige Sortierung unterschiedlichster Packstücke verbraucht manuelle Ressourcen, dauert lang, ist fehleranfällig und verursacht hohe Kosten. Bildverarbeitung gepaart mit künstlicher Intelligenz (KI) hilft erstmals, komplexe Sortiervorgänge zu automatisieren.
Mittels Bildverarbeitung erhobene Daten stellen die Basis für das sogenannte Machine Learning als nächsten Evolutionsschritt der Automatisierung in logistischen Prozessen dar. Mit kognitiven Lernprozessen anhand großer Datenmengen lernen Maschinen selbst, ob beispielsweise ein bestimmtes Packstück beschädigt ist, wie es klassifiziert und sortiert werden muss und ob es korrekt verschlossen ist. Auf Basis dieser erlernten KI können logistische Prozesse vollautomatisiert gesteuert werden.
Für Intralogistiker aller Branchen, größere E-Commerce-Versender sowie Versand- und Paketdienstleister ist die Sortierung unterschiedlichster Sendungen zur korrekten Weiterverarbeitung eine der größten Herausforderungen. Uneinheitliche Verpackungen machen eine maschinelle Sortierung fast unmöglich. Aufgrund der Vielzahl der verschiedenen Größenklassen, Formen und 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 noch stark manuell geprägt. Dies führt zum einen zu hohen Kosten sowie zu langsamen und fehleranfälligen Sortiervorgängen.
Vollautomatische Sortierung
Bei diesen Vorgängen, die herkömmlicherweise kognitive Fähigkeiten erfordern, können Machine-Learning-Ansätze verfolgt werden. Machine Learning bezeichnet die Möglichkeit, einem Algorithmus selbstlernende Fähigkeiten zu verleihen. Dazu werden dem Algorithmus zunächst eine hohe Anzahl an Bilddaten zur Verfügung gestellt. Zum Beispiel zehntausende Bilder von auf einem Förderband gestapelten Paketen. Für den Computer bedeutet dies zunächst Chaos. Anschließend werden die Bilddaten durch einen Menschen klassifiziert. Dem Algorithmus wird gesagt „Das ist ein Paket“ und anhand individueller Merkmale kann er die Packstücke anschließend selbst in Kategorien einteilen.
Diese Klassifizierungen finden durch die Anwendung eines neuronalen Netzes statt. Das neuronale Netz ist in diesem Fall gleichbedeutend mit „Deep Learning“ und stellt einen mehrstufigen, rechenaufwändigen 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.
Machine Learning kommt dort zum Einsatz, wo die bildgebende Sensortechnik ihre Grenzen erreicht. Beispielsweise in der Sortierung von Packstücken unterschiedlichster Art. Mit 3D-Scannern wäre eine Identifizierung der Form nur unzureichend und bei niedriger Geschwindigkeit möglich. Für eine angeschlossene Anlage mit Greifroboter stellt dies potenzielle Sortierungenauigkeiten, Fehlleitungen, Anlagenausfälle, Wartezeiten und aufwendige manuelle Nachbereitung dar. Machine Learning gesteuerte Anlagen dagegen erkennen anhand des gelernten Klassifikations-Schemas die Pakete und deren Form exakt und der Roboter kann die Sortiervorgänge vollständig maschinell und in erhöhter Geschwindigkeit durchführen.
Die Daten werden zuerst von einem Kamerasystem erfasst und in einer lokalen Recheneinheit analysiert. 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 und -automatisierte Industrie-4.0-Lösung mit Machine Learning zur Verfügung.
Strategischer Wettbewerbsvorteil
Mit Nutzung der dabei erfassten Daten ist erstmals eine lückenlose Analyse der gesamten Logistikzyklen möglich, wobei die in vielen Branchen sehnsuchtsvoll angestrebte Losgröße1 als Standard gilt. In automatisierten Versand-Prozessen werden im wahrsten Sinne des Wortes am laufenden Band Echtzeit-Entscheidungen auf unvorhersehbare Ereignisse mit ständig wechselnden Kriterien getroffen.
Die mit Machine Learning angereicherte Bildverarbeitungsalgorithmen versetzen die Logistikanlagen in die Lage, selbstständig valide Entscheidungen zu treffen. Damit rückt das Ziel der Null-Fehler-Logistik sowie eine präventive Fehlervermeidung in greifbare Nähe. 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 Anlagen- und Kontingentausnutzung ist eine gute Basis, um neben dem vereinfachten Workflow mit den verbundenen Ressourceneinsparungen auch über die Verhandlung mit externen Dienstleistern geringstmögliche Handlingskosten zu erreichen. Die Durchlaufzeit der Packstücke durch die Logistikkette sowie der anschließende Versand wird beschleunigt und weniger fehleranfällig gestaltet; die Kundenzufriedenheit wächst.
Intelligenz durch Machine Learning
Mit Machine Learning steuert die Bildverarbeitung in der Wertschöpfungskette eine intelligente Handlung und lässt sich als strategischer Vorteil nutzen. Mit dem umfangreichen Sammeln und Bewerten von Bilddaten wird ein zuverlässiges und autonomes maschinelles Handeln möglich; außerdem erzeugt es innerhalb der Automatisierung und Industrie 4.0 eine zusätzliche wirtschaftliche Bedeutung. Plötzlich lassen sich Zusammenhänge bilden und Erkenntnisse ableiten, die vorher unsichtbar waren. Die Bildverarbeitung avanciert so vom bloßen Inspektor zum Produktionsoptimierer und kann mit diesem Beratungscharakter und dessen strategischer Rolle ihr volles Potenzial entfalten.
Die Systemeinbettung und -vernetzung der Bildverarbeitungssysteme eliminiert in variablen und hochflexiblen Umfeldern, wie dem agilen E-Commerce-Sektor, unternehmerische Risiken. Die visuell erhobenen und intelligent verarbeiteten Daten zur Systemperformance, zu Wechselwirkungen und Output-Qualität sind eine valide Basis für analytisch-fundierte Entscheidungen. Damit fördert die intelligente Bildverarbeitung Prozessverbesserungen, eine erhöhte Kosteneffektivität und ein rentables Wachstum als Wettbewerbsvorteil.
.jpg "Der Treffpunkt der Getränkelogistik")
