Sistema de Triagem de Encomendas e Pacotes com IA: Aumente a Eficiência e Reduza a Mão de Obra

A separação manual de grandes pilhas de encomendas e envelopes, seguida de triagem e colocação em esteiras transportadoras, torna-se um desafio, especialmente durante picos de demanda. A automação desse processo pode aumentar a produtividade, economizar custos e tempo, além de reduzir lesões. Um sistema robótico de separação e triagem alimentado por inteligência artificial está se tornando uma necessidade para empresas de logística que desejam acompanhar as crescentes demandas do e-commerce.

A separação manual — algo do passado?

Os fluxos de encomendas sofrem flutuações drásticas ao longo do ano, com picos típicos na Black Friday e no período natalino. Os volumes globais de encomendas têm crescido a uma taxa de até 25% ao ano.

O surto de COVID-19 também testou o cumprimento de pedidos no prazo. A dependência acelerada do e-commerce aumentou a demanda por capacidade. Isso, por sua vez, leva a maiores custos operacionais, relacionados não apenas à necessidade de contratar mais funcionários, mas também ao próprio processo de recrutamento. Períodos que normalmente seriam os melhores e mais lucrativos do ponto de vista de vendas tornam-se os piores.

Além dos requisitos de vazão e picos de demanda, a saúde e satisfação dos trabalhadores são desafios para a separação e triagem manuais. Os funcionários enfrentam tédio com tarefas repetitivas, além de risco de lesões ao manusear itens pesados e irregulares. Isso pode resultar em despesas com indenizações trabalhistas e queda de produtividade.

Visão e robótica para o resgate

Os desafios acima podem ser superados com a automação do processo de separação e triagem, o que torna os custos mais previsíveis e proporciona escalabilidade para picos de demanda.

A automação mais avançada atualmente combina visão 3D, algoritmos de IA e compatibilidade com as principais marcas de robôs. Também é possível medir a qualidade e o sucesso de um sistema específico de pick-and-place. Vamos a exemplos concretos. Como uma empresa pode se beneficiar da implementação de um sistema automatizado se precisa separar e triar grandes cargas não estruturadas de encomendas?

Por exemplo, a Photoneo integra visão 3D desenvolvida internamente com algoritmos que permitem aos robôs separar mais de 2.250 encomendas por hora. O sistema de visão fornece dados 3D precisos e permite localização exata, resultando em precisão de agarramento de ±3 mm.

O Sistema de Separação e Triagem da Photoneo baseia-se em uma rede neural pré-treinada que reconhece encomendas prontas para uso, sem necessidade de treinamento, alcançando taxa de sucesso de 95%.

Os 5% restantes devem-se às propriedades mecânicas e ao material das encomendas. Por exemplo, se um objeto tem superfície enrugada ou é feito de tecido, pode cair do gripper e precisar ser agarrado novamente. Segundo a Photoneo, tais objetos são sempre agarrados com sucesso na segunda tentativa. A empresa afirma alcançar tempo de ciclo inferior a 1,5 segundos, com compatibilidade com diversas marcas de robôs.

Modo de varredura única versus modo multi-pick

A velocidade de desempenho depende do modo de varredura escolhido. No modo de varredura única, o sistema faz uma varredura, processa os dados, localiza um objeto e envia comando ao robô para agarrá-lo. Esse processo repete-se para cada objeto. O atraso de processamento geralmente não excede 0,5 segundos.

Outra opção é o modo multi-pick, no qual o scanner/câmera faz uma varredura, o sistema reconhece todos os objetos agarráveis e o robô os agarra sequencialmente sem interrupção. O número de varreduras pode ser ajustado à aplicação específica. Como não há atraso de processamento no modo multi-pick, o desempenho é mais rápido, e o tempo de ciclo é limitado apenas pela velocidade do robô.

Visão e inteligência

A qualidade dos dados 3D determina o sucesso de uma solução automatizada de separação e triagem. Pode-se ter o sistema mais inteligente, mas sem bons dados 3D para trabalhar, sua saída será inútil. Uma boa câmera 3D precisa fornecer alta resolução e precisão, grande volume de varredura e profundidade de campo, além de alta velocidade de varredura.

Outros fatores importantes são a capacidade de suprimir luz ambiente e desempenho "plug-and-play". Se a câmera 3D implantada oferece todos esses recursos, o sistema obtém dados suficientes para a IA processá-los e localizar cada objeto com sucesso.

A abordagem mais moderna para segmentação e localização de encomendas com IA é o uso de redes neurais convolucionais (CNNs), que tiveram grande progresso nos últimos anos. Essas redes podem reconhecer encomendas, envelopes e até sacolas de qualquer forma, textura e material, bem como suas dimensões, posição e orientação.

As melhores soluções baseiam-se em algoritmos treinados em enormes bancos de dados de objetos, podendo generalizar e reconhecer rapidamente novos tipos de objetos nunca vistos antes. Rugosidades, deformações e outras irregularidades não devem ser obstáculo para o reconhecimento rápido.

Após detecção e localização bem-sucedidas, o robô recebe comando para agarrar um objeto específico e colocá-lo em local predefinido, como sobre uma esteira transportadora.

Principais desafios para a separação

Desenvolvedores de sistemas robóticos de separação enfrentam diversos desafios. Um grande problema para a visão 3D são superfícies brilhantes ou reflexivas, com diversos padrões e imagens, ou pretas. Variedades de textura também causam dificuldades. As encomendas geralmente são empilhadas de forma não estruturada, sobrepostas, o que dificulta sua localização.

Um dos maiores desafios reside na natureza das sacolas — sua forma é deformada, cheia de dobras e rugas, o que torna extremamente difícil para o gripper do robô agarrá-las. São essas as razões pelas quais é essencial combinar visão 3D de alta qualidade com algoritmos avançados e sofisticados de IA — apenas essa combinação poderosa pode enfrentar confiavelmente todos os desafios acima.

Ampliando o alcance de aplicações

A utilização de uma solução de automação com IA não se limita à simples separação e triagem de encomendas. Se uma câmera 3D puder varrer cenas em movimento com alta qualidade e velocidade, torna-se possível medir pacotes em tempo real e triá-los com base no tamanho ou outros critérios.

Por exemplo, a Photoneo MotionCam-3D, capaz de capturar objetos em movimento a até 40 m/s, atinge precisão de medição de 1 cm e fornece resolução de mapa de profundidade de ~2 Mpx e 15 milhões de pontos 3D/seg.

Sistemas que combinam IA e visão 3D também podem ser usados para desdobrar ou desembrulhar envelopes e encomendas amassados — e realizar virtualmente transformações geométricas — para melhorar a legibilidade de OCR para processamento posterior. Alguns desses sistemas também permitem triagem de encomendas com base em códigos de barras.

As possíveis aplicações e capacidades desses sistemas se desenvolvem e expandem com os avanços em IA e visão computacional, mas também com as demandas de mercado que ditam a direção desse desenvolvimento.

A separação robótica pode aumentar segurança, produtividade e confiabilidade, além de reduzir significativamente custos. A automação tornou-se ferramenta crucial para otimizar processos logísticos. Armazéns e centros de distribuição lutaram para reter trabalhadores durante enormes aumentos no fluxo de encomendas nas festas de fim de ano e agora no e-commerce durante a pandemia de COVID-19. A implantação de robôs inteligentes guiados por visão para separação e triagem de enormes fluxos não estruturados de encomendas é o caminho para responder a esses desafios.

Este artigo foi publicado originalmente no The Robot Report sob o título: "Como a separação e triagem de encomendas podem se beneficiar de robôs com IA".