Einsatz von bildbasierten ML-Technologien in der Logistik

Folgende Technologien an denen wir arbeiten kommen hier zum Einsatz:

• Object Detection

Eine wichtige Schnittstelle für einen reibungslosen Weitertransport im Güterverkehr stellt das Containerterminal von Binnenhäfen dar.  Die manuellen Prozesse hier führen häufig zu Verzögerungen im Warenumschlag und einer nicht effizienten Nutzung der vorhandenen Ressourcen. Eine Automatisierung dieser Prozesse hat ein enormes Optimierungspotential für den gesamten Ablauf.

Einen Dreh- und Angelpunkt stellt hier der Portalkran zum Verladen der Container dar. Für die Automatisierung wird dieser mit Sensoren zur Lokalisierung und Detektion von allen Logistikobjekten ausgestattet. Ein besonderer Fokus stellt hierbei die Sicherheit des Hafenpersonals dar, weshalb der Portalkran mit zusätzlichen Sensoren zur Detektion von Menschen ausgestattet wird. Das Team des Fraunhofer IML kümmert sich um die Auswertung dieser Daten 

für das Machine Learning basierte Training der Steuerungssoftware zur zuverlässigen Objekterkennung. Um eine Detektion zu ermöglichen die in allen Szenarien zuverlässig funktioniert, muss ein großes Augenmerk auf das Zusammenspiel verschiedener robuster Sensortypen wie Wärmebild-/Farbbildkameras (Computer Vision) und LIDAR-Scanner (Light detection and ranging) für die jeweilige Situation vor Ort gelegt werden.

Da in anderen Situationen auch andere Gegebenheiten herrschen, können die einzelnen Sensortypen immer so kombiniert werden, dass sie gegenseitig ihre Schwachstellen im aktuellen Szenario ausgleichen.  Zusammen mit dem Einsatz von Open-Source-Software, können die Erkenntnisse und Erfahrungen aus dem Use Case ohne große Schwierigkeiten auch in einem anderen Umfeld eingesetzt werden.

Folgende Technologien an denen wir arbeiten kommen hier zum Einsatz:

• Image Classification

Ob Kartonage, Gitterbox oder Palette – in der Logistik kommen eine Vielzahl von Ladungsträgern zum Einsatz. Und je nach Art des Ladungsträgers kann es unterschiedliche Voraussetzungen für den Ort geben an dem und wie die Ladung verräumt oder zwischengelagert wird. Einen Überblick über die einzelnen Ladungsträger und ihre Art, würde die Transparenz im Lager erhöhen.

 Dank kamerabasierter Machine Learning Software können die Ladungsträger schon bei der Einfahrt ins Lager automatisiert erkannt und die unterschiedlichen Arten klassifiziert werden. Durch das konstante Monitoring kann so die Nutzung der Lagerfläche verbessert und die Prozesse vor Ort optimiert werden.

Folgende Technologien an denen wir arbeiten kommen hier zum Einsatz:

• Object Detection
• (Multi-Camera-) Multi-Object Tracking

Auch wenn moderne Intralogistiksysteme bereits einen guten Überblick über die Transporteinheiten geben, die in einem Betriebshof, dem Lager oder Umschlagterminals zugegen sein sollten, klafft noch eine große Lücke zu der tatsächlichen Situation vor Ort: Sind die Transporteinheiten tatsächlich alle vor Ort und wo genau befinden sie sich zum aktuellen Zeitpunkt? Fehlende oder fehlerhafte Informationen führen zu Verzögerung im Betriebsablauf.

 KI-basierte Werkzeuge können Daten bestehender Kamerasysteme nutzen, um so den aktuellen Standort von Transporteinheiten zu lokalisieren, ihre Bewegungen zu verfolgen und so die die digitale Lücke zwischen Intralogistiksystemen und Echtzeitgegebenheiten zu schließen. 

Folgende Technologien an denen wir arbeiten kommen hier zum Einsatz:

• Object Detection
• Instance Segmentation

Wie viele Paletten von der Warengruppe sind noch auf Lager? Wie ist die Auslastung der Umschlagfläche? Stimmt die Anzahl der LKW in der Warteschlange mit der tatsächlichen Anzahl Stellplätze auf der Fähre oder im Hof überein?

Automatisiertes Zählen von Logistikobjekten mittels bildbasierter KI-Technologie verbessert die Transparenz über die Situation vor Ort. Außerdem wäre es mit den Technologien zum Erkennen, Verfolgen sowie Zählen von Ladungsträgern und -einheiten möglich mit geringem Aufwand automatisierte Live-Inventur zu realisieren.

Folgende Technologien an denen wir arbeiten kommen hier zum Einsatz:

• Classification
• Object Detection
• Anomaly Detection

Bei der Herstellung von Produkten herrschen in der Industrie hohe Ansprüche hinsichtlich der Fertigungsqualität. Gefertigte Produkte müssen eine einwandfreie Qualität aufweisen und bei der Auslieferung an den Kunden absolut mängelfrei sein.

Um diese Mängelfreiheit zu gewährleisten, erfolgt oft eine engmaschige Qualitätskontrolle entlang des Fertigungsprozesses, die Produkte prüft und im Mängelfall aussortiert. Trotzdem kann es in seltenen Einzelfällen dazu kommen, dass ein Produkt eine so seltene Beschädigung aufweist, dass es alle Qualitätskontrollen passiert und somit den gesamten Fertigungsprozess durchläuft.

Im Kontext von ML spricht man in diesem Fall von einer Anomalie, also einem extrem seltenen Ereignis, dass z.B. nur in einem von 10.000 Fällen auftritt. Die Aussortierung dieser Einzelfälle geschieht aktuell oftmals durch eine menschliche End-of-Line Sichtkontrolle, bei der alle Produkte vor dem Verpacken nochmals durch Mitarbeitende kontrolliert werden. 

Diese Kontrolle ist bisher alternativlos – wenngleich sie belastend für Mitarbeitende und kostenintensiv für das Unternehmen ist. Mit Hilfe der ML-basierten Computer Vision und speziellen Verfahren zum Umgang mit seltenen Einzelfällen können solche Anomalien bildbasiert identifiziert und automatisch aussortiert werden. Das entlastet nicht nur die Mitarbeitende, sondern spart dem Unternehmen auch die kostenintensive End-of-Line Kontrolle.

Folgende Technologien an denen wir arbeiten kommen hier zum Einsatz:

• Object- / Text-Detection
• Text Recognition
• OCR

Ob lange LKW Schlangen an der Pforte zum Betriebshof wegen händischer Erfassung der Frachtpapiere, falsches Übertragen von Registrierungsnummern oder lange Suche nach relevanten Informationen in einem Text: Manuelle Registrierungen und Erfassung von textbasierten Information sind langwierige und fehlerhafte Prozesse.

Mit Hilfe von Künstlicher Intelligenz können Texte nicht nur automatisch erkannt werden, die extrahierten Informationen können auch gleich klassifiziert und automatisiert weiterverarbeitet werden. Dadurch könnten dank Kennzeichenerkennung einfahrende LKW sofort registriert und an dem richtigen Standort weitergeleitet, Prüfprozesse beschleunigt und die Fracht aus analogen Frachtpapieren selbstständig erfasst werden.