Sistema de classificação de encomendas e pacotes automatizado por IA

A separação manual de enormes pilhas de pacotes e envelopes, seguida de classificação e colocação em uma esteira transportadora, torna-se um desafio, especialmente durante os picos. A automação desse processo pode aumentar a produtividade, economizar custos e tempo e reduzir lesões. Um sistema robótico de seleção e classificação alimentado por inteligência artificial está se tornando uma necessidade para empresas de logística que desejam acompanhar as demandas cada vez maiores do comércio eletrônico.

Singulação manual — coisa do passado?

Os fluxos de encomendas sofrem grandes flutuações ao longo do ano, geralmente atingindo o pico na Black Friday e no período de Natal. Os volumes globais de encomendas geralmente crescem a uma taxa de até 25% ao ano.

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

Além dos requisitos de produtividade e picos de demanda, a saúde e a satisfação do trabalhador são desafios para a seleção e classificação manuais. Os funcionários podem enfrentar o tédio devido a tarefas repetitivas, bem como lesões causadas pelo manuseio irregular de itens pesados. Isso pode levar a despesas de compensação dos trabalhadores e diminuição da produtividade.

Visão e robótica para o resgate

Os desafios acima podem ser superados automatizando o processo de singularização e classificação, o que pode tornar os custos mais previsíveis e fornecer escalabilidade para picos de demanda.

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

Por exemplo, o Photoneo integra a visão de máquina 3D desenvolvida internamente com algoritmos que permitem que os robôs escolham mais de 2.250 pacotes por hora. O sistema de visão fornece dados 3D precisos e permite uma localização precisa que leva a uma precisão de preensão de +/-3 mm.

O Photoneo Singulation and Sorting System é baseado em uma rede neural pré-treinada que pode reconhecer pacotes imediatamente, sem nenhum treinamento, para uma taxa de sucesso de separação de 95%.

Os 5% restantes são resultado das propriedades mecânicas das parcelas e do material. Por exemplo, se um objeto tiver uma superfície enrugada ou for feito de tecido, ele pode cair da pinça e precisar ser recolhido. Esses objetos sempre são escolhidos com sucesso na segunda tentativa, de acordo com Photoneo. Ele alegou que pode atingir um tempo de ciclo de menos de 1,5 segundos e é compatível com uma variedade de marcas de robôs.

Modo de varredura única versus modo de seleção múltipla

A velocidade de desempenho depende do modo de digitalização escolhido. Um modo de varredura única faz uma varredura, processa os dados, localiza um objeto e envia um comando ao robô para pegá-lo. Este processo é repetido para cada objeto. O atraso de processamento geralmente não é superior a 0,5 segundos.

Outra opção é o modo de coleta múltipla, caso em que o scanner/câmera faz uma varredura, o sistema reconhece todos os objetos selecionáveis ​​e o robô os coleta um após o outro sem qualquer interrupção. O número de varreduras pode ser ajustado para o aplicativo específico. Como não há atraso no processamento no modo de coleta múltipla, 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 classificação. Pode-se ter o sistema mais inteligente, mas sem bons dados 3D para trabalhar e se apoiar, sua saída seria inútil. Uma boa câmera 3D precisa fornecer alta resolução e precisão, grande volume de varredura e profundidade de campo, bem como alta velocidade de varredura.

Outros fatores importantes são a capacidade de suprimir a luz ambiente e o desempenho “plug-and-play”. Se a câmera 3D implantada oferecer todos esses recursos, o sistema obtém dados suficientes para que a IA os processe e localize com sucesso cada objeto.

A abordagem mais moderna para segmentação e localização de parcelas com tecnologia de IA é usar redes neurais convolucionais, que fizeram grandes progressos nos últimos anos. Essas redes neurais podem reconhecer encomendas, envelopes e até sacolas de qualquer formato, textura e material, bem como suas dimensões, posição e orientação.

As melhores soluções são baseadas em algoritmos que foram treinados em enormes bancos de dados de objetos e podem, portanto, generalizar e reconhecer com facilidade e rapidez novos tipos de objetos que nunca viram antes. Rugas, deformações e outras irregularidades não devem representar obstáculo para o reconhecimento rápido.

Após detecção e localização bem-sucedidas, o robô recebe um comando para pegar um determinado objeto e, em seguida, coloca-o em um local predefinido, como em uma esteira rolante.

Grandes desafios para a singularização

Os desenvolvedores de sistemas de singularização robótica enfrentam inúmeros desafios. Um grande problema para a visão 3D é representado por superfícies que são brilhantes ou refletivas, contêm vários padrões e imagens ou são pretas. Variedades de textura também causam dificuldades. As encomendas costumam ser empilhadas de forma desestruturada, sobrepondo-se umas às outras, o que dificulta sua localização.

Um dos maiores desafios reside na natureza das sacolas – seu formato é deformado, cheio de dobras e rugas, o que torna extremamente difícil para uma pinça robótica pegá-las. Estas são as razões pelas quais é tão essencial combinar visão 3D de alta qualidade com algoritmos de IA avançados e sofisticados – somente esta poderosa combinação pode enfrentar de forma confiável todos os desafios acima.

Expandir a gama de aplicações

A utilização de uma solução de automação baseada em IA não termina com a simples identificação e classificação de encomendas. Se uma câmera 3D pode digitalizar cenas em movimento em alta qualidade e em alta velocidade, é possível medir os pacotes em tempo real e classificá-los com base em seu tamanho ou outros critérios.

Por exemplo, Photoneo MotionCam-3D, que é capaz de capturar objetos que se movem até 40 m/s, pode atingir uma precisão de medição de 1 cm e fornecer uma resolução de mapa de profundidade de ~2 Mpx e 15 milhões de pontos 3D/seg.

Os sistemas que combinam IA e visão de máquina 3D também podem ser usados ​​para desdobrar ou desembrulhar envelopes e pacotes amassados ​​— e praticamente fazer transformações geométricas — para melhorar a legibilidade do OCR para processamento posterior. O que alguns desses sistemas também permitem é a classificação de encomendas com base em códigos de barras.

As possíveis aplicações e capacidades desses sistemas se desenvolvem e se estendem com os avanços da IA ​​e da visão de máquina, mas também com as demandas do mercado que ditam a direção desse desenvolvimento.

A singularização robótica pode aumentar a segurança, a produtividade e a confiabilidade, além de reduzir significativamente os custos. A automação tornou-se uma ferramenta crucial para otimizar os processos na logística. Armazéns e centros de distribuição têm lutado para reter trabalhadores durante os enormes aumentos no fluxo de encomendas nas férias e agora no comércio eletrônico durante a pandemia do COVID-19. A implantação de robôs inteligentes guiados por visão para singularização e classificação de grandes fluxos desestruturados de pacotes é a maneira de responder a esses desafios.

Este artigo foi originalmente publicado em O Relatório do Robô sob o título:“Como a singularização e a classificação de pacotes podem se beneficiar de robôs com tecnologia de IA”. .