Die Hitliste der IFOY-Nominierten (2): Die Beurteilung von Paletten war bislang eine Zusatzaufgabe am Wareneingang, die ressourcenintensiv und fehleranfällig war. Mit der auf Deep Learning basierten Palettenidentifikation PACS (PAllet Classification System) von Sick lässt sich das automatisieren.

 

Beim Intralogistik-Wettbewerb lief das System unter den «Specials of the Year». Der Baukasten basiert auf Sicks «Appspace», einem innovativen Ansatz zur Realisierung von leistungsfähigen Apps mit  Sensorenaus Waldkirch, und einem «dStudio». Letzteres ist ein webbasiertes Tool zur Klassifikation von Bildern auf Basis künstlicher neuronaler Netze, die an Sensoren des Herstellers eingesetzt werden können. Der Baukasten kann auch für andere Aufgaben im Bereich der Bildverarbeitung genutzt werden.

Die automatisierte Erkennung vereinfacht den Prozess der automatischen Bepfandung von verschiedenen Palettentypen und kann als kompaktes System mit geringem Platzbedarf an vielen Positionen integriert werden.

Die Hardware des Systems besteht aus einer bzw. mehreren Farbkameras zur Bildaufnahme, einer Lichtschrankenanordnung zur Triggerung, sowie einem Controller zur Verarbeitung der Daten und zur Ausführung des trainierten neuronalen Netzwerks.

Die Softwaretools erlauben Bildaufzeichnung, Training, Klassifizierung und die Ausführung des trainierten Netzwerks auch ohne tiefgehende Kenntnisse zu Programmierung oder maschinellem Lernen. Optional können weitere Sensoren eingebunden werden, die zusätzliche Aufgaben übernehmen.

Die Bilderkennung wurde im IFOY-Testcamp als nicht bahnbrechend neu eingestuft. Denn es gibt bereits Systeme, die auch den Paletten-Zustand registrieren, schadhafte Ladungsträger ausschleusen und einem Reparatur-Vorgang zuführen. Die Besonderheit der Lösung von Sick besteht darin, dass die Lösung in ein «neuronales Netzwerk» eingebunden ist, in dem Identifizierung, Zuordnung und Detailvorgänge permanent trainiert werden, um sie der fortlaufend verfeinerten Erkennung zukommen zu lassen.

Anders als bei herkömmlichen Bildverarbeitungslösungen, erfordert der Einsatz von Deep-Learning-Technologie  hier keine detaillierten Programmierkenntnisse, da das System aus konkreten Beispielen lernt. Dadurch lässt sich die Palettenidentifikation für den Kunden vergleichsweise einfach gestalten. Wo die Verwendung von trainierten neuronalen Netzwerken normalerweise tiefgreifende Kenntnisse im Bereich des maschinellen Lernens erfordert, hat Sick mit «dStudio» eine Trainingssoftware entwickelt, die einen geführten Prozessablauf gleich mitbeinhaltet. 

Weil es sich um einen vieltausendfach genutzten Vorgang handelt, lässt sich insgesamt viel Geld sparen, das Sparen von Ressourcen und die Prozessqualität signifikant erhöhen. Die eingesetzten Technologien bieten sich nicht nur in der Anwendung für die Identifikation von Paletten an, sondern können auch in anderen Bereichen signifikante Vorteile bieten. Durch den platzsparenden Aufbau kann das System auch an engen Montagepositionen integriert werden. Durch die Verwendung von Standardsensorik können Wartung und Unterhalt des Systems vergleichsweise kostengünstig gestaltet werden.

Bis in die Endrunde des zehnten Wettbewerbsdurchgangs schafften es dieses Jahr 14 Geräte und Lösungen von zwölf Herstellern. Die Nominierten durchliefen im März während des IFOY-Testcamps ein dreistufiges Audit und wurden von den Juroren getestet. Die Abstimmung erfolgt anonymisiert. Das Ergebnis bleibt bis zur Award Night am 30. Juni, die in der BMW-Welt in München stattfindet, geheim.

 

www.sick.com