Bagaimana depalletisasi dapat memanfaatkan visi komputer, robotika, dan pembelajaran mesin
Berkat kemajuan teknologi seperti visi mesin 3D, robotika memasuki semua bidang proses industri. Wabah COVID-19 telah meningkatkan kesadaran akan kebutuhan mendesak untuk menerapkan otomatisasi untuk pemenuhan pesanan yang cepat dan akurat serta rantai pasokan yang efisien. Satu aspek khusus dari proses logistik dapat mencapai tingkat produktivitas yang lebih tinggi dengan penerapan otomatisasi cerdas — depalletisasi.
Apa itu depalletisasi?
Depalletisasi adalah proses bongkar muat pallet yang sarat dengan box satu per satu. Berbeda dengan penundaan klasik , di mana robot gripper mengambil seluruh palet, "berharap" meraih semua kotak yang ada di dalamnya, depalletisasi robot menggunakan kecerdasan buatan. Sistem mengenali masing-masing kotak dan robot menempatkannya satu per satu di sabuk konveyor atau tempat lain yang telah ditentukan sebelumnya.
Depalletisasi menghadirkan tingkat pembongkaran palet yang lebih tinggi dan menawarkan beberapa keuntungan dibandingkan penundaan. Ini membutuhkan area penempatan yang lebih kecil — ukuran kotak terbesar berbeda dengan keseluruhan palet. Dan berkat muatan yang lebih ringan, lengan robot dan pegangan yang lebih kecil dapat digunakan, yang menghasilkan penghematan biaya yang cukup besar.
Visi 3D dan AI rahasia menuju kesuksesan
Sistem depalletisasi terbaik dapat membuat proses bongkar muat palet penuh berbagai kotak menjadi aman, cepat, efektif, andal, dan pada akhirnya juga hemat biaya. Ini hanya dapat dicapai dengan menggabungkan visi mesin 3D dengan robot pintar yang diaktifkan oleh algoritme pembelajaran mesin tingkat lanjut.
Volume pemindaian pemindai 3D yang digunakan harus cukup besar untuk memindai seluruh palet dari jarak yang cukup. Mempertimbangkan ruang minimum yang diperlukan untuk manipulasi robotik, pemindai umumnya perlu dipasang kira-kira 3 meter di atas palet. Oleh karena itu, memilih pemindai 3D yang tepat merupakan prasyarat pertama untuk suksesnya depalletisasi.
Langkah kedua adalah melatih AI dengan data gambar ini. Algoritme pembelajaran mesin dapat terus mempelajari dan mengenali jenis kotak baru, termasuk kotak dengan ukuran berbeda atau bentuk tidak beraturan yang disebabkan oleh kerusakan, misalnya. Hal ini membuat solusinya sangat universal sehingga membongkar palet campuran menimbulkan sedikit tantangan. Kotak tidak perlu ditumpuk dalam pola tetapi dapat ditempatkan secara acak, bahkan miring, dan robot masih dapat mengambilnya.
Sistem pintar juga mampu mengenali kotak-kotak yang seringkali sangat rapat sehingga sulit untuk mengenali celah di antara kotak-kotak tersebut, yang bisa setipis 0,5 milimeter. Solusi yang lebih lemah mungkin tidak dapat membedakan garis yang memisahkan dua kotak dari garis yang membentuk pembukaan satu kotak tertentu.
Dalam kasus lain, mungkin sulit untuk mengenali kotak dengan permukaan yang bermasalah, termasuk berbagai tekstur, bahan yang mengkilap atau memantulkan cahaya, pita, pola, atau gambar yang menonjol yang "menyesatkan" penglihatan 3D. Karton dengan penutup hitam juga dapat menyebabkan masalah..
Cara paling canggih untuk menyegmentasikan masing-masing kotak berdasarkan tekstur dan data 3D adalah dengan menggunakan jaringan saraf convolutional (CNN). Sistem kemudian dapat memutuskan kotak mana yang akan dipilih — kotak yang ditempatkan di bagian paling atas palet didahulukan — dan cara mengambilnya untuk memaksimalkan daya hisap gripper yang dipasang.
Untuk memanipulasi dengan aman di ruang antara kotak atas dan pemindai, sistem depalletisasi perlu memperhitungkan kemungkinan ukuran kotak. Ini juga penting untuk penempatan kotak yang aman di sabuk konveyor. Itu dapat dipastikan dengan menghitung ketinggian kotak dari data pindaian atau dengan menggunakan gerbang optik yang disetel beberapa sentimeter di atas sabuk konveyor.
Saat kotak menyentuh berkas optik, gripper menjatuhkannya. Dengan cara ini, semua kotak diturunkan pada ketinggian yang sama di atas sabuk konveyor. Ini adalah keuntungan besar dari depalletisasi dibandingkan penundaan, di mana kotak dengan ketinggian berbeda dalam satu lapisan menimbulkan masalah yang signifikan.
Robot dapat melakukan seluruh pekerjaan
Sistem Photoneo, yang mencakup penglihatan 3D yang dikembangkan di rumah, memberikan contoh depalletisasi robotik semacam itu. Sistem perusahaan memindai seluruh palet yang berisi kotak dan mentransfer pindaian ke kumpulan data tekstur 3D.
Pemindaian ini kemudian diproses oleh algoritme pembelajaran mesin Photoneo yang dilatih pada lebih dari 5.000 jenis kotak. AI segera mengenali setiap kotak dan mengirimkan perintah ke robot. Menggunakan gripper universal yang dikembangkan secara khusus, robot melakukan aksi pengambilan dengan akurasi +-3 mm. Dengan cara ini, ia dapat membongkar 1.000 kotak dalam waktu satu jam, dengan akurasi tingkat pengambilan 99,7%.
Sistem depalletisasi harus memperhitungkan variabilitas
Jika, terlepas dari semua perhitungan, gripper gagal mengambil kotak karena permukaan yang berkerut atau hambatan lain, gripper mengirimkan umpan balik dan menginformasikan pengguna tentang masalah tersebut sehingga tindakan perbaikan dapat dilakukan. Waktu siklus biasanya kurang dari 10 detik, bergantung pada jenis robot, permukaan kotak, dan isinya, karena beberapa robot perlu dimanipulasi dengan kepekaan yang lebih besar daripada yang lain.
Lingkungan, robot, dan sifat mekanik menentukan dan membatasi waktu siklus. Misalnya, tidak mungkin mempercepat dan memperlambat kotak berat di atas batas fisik tertentu. Jika pelanggan perlu mempercepat waktu siklus dan meningkatkan kinerja robot, mereka dapat memilih gripper multi-zona yang dapat mengambil beberapa kotak dengan ketinggian yang sama sekaligus. Gripper kemudian menjatuhkan kotak satu demi satu.
Rahasia di balik singulasi sempurna adalah mengetahui batas ukuran area penempatan agar tidak mengambil lebih banyak kotak daripada yang dapat diturunkan dengan aman, dan juga mengenali jenis kotak dengan tepat untuk menghindari pengambilan kotak dengan ketinggian berbeda. Produk Photoneo kompatibel dengan merek robot besar dan bekerja "di luar kotak" tanpa pelatihan apa pun. Jika menemukan jenis kotak baru, sistem dapat melatih ulang dirinya sendiri, yang mempersingkat waktu yang diperlukan untuk penerapan dan integrasi.
Menyesuaikan depalletisasi dengan lingkungan yang berpusat pada manusia
Solusi depalletisasi yang sukses harus mempertimbangkan semua faktor yang dibahas di atas. Meskipun robot mungkin tampak agak sederhana, algoritme pembelajaran mesin harus cukup kuat untuk menangani semua tantangan yang mungkin ada dalam mendepalletisasi objek yang berbeda. Pengembang dan integrator harus memikirkan setiap detail aplikasi dan menguji solusi mereka sebelum pengguna dapat mengukur laba atas investasi (ROI).
Selain itu, seringkali robot perlu disesuaikan dengan lingkungan yang berpusat pada manusia. Meskipun otomatisasi berkembang dengan cepat, banyak pelanggan hanya menyesuaikan pusat distribusi dan gudang mereka secara bertahap untuk memanfaatkan sepenuhnya robotika dan AI.
Salah satu tantangan utama yang terkait dengan pembongkaran palet secara manual terletak pada ukuran dan berat kotak serta ketinggian yang harus diambil. Pengoperasian manual sering kali menyebabkan cedera serius, sehingga sistem depalletisasi terbaik membantu karyawan menghindari gerakan yang berisiko atau berulang.
Misalnya, Photoneo Depalletizer dapat mengambil kotak hingga 50 kg tanpa campur tangan manusia. Salah satu keuntungan terbesarnya adalah robot dapat bekerja tanpa henti, tanpa merasa lelah.
Depalletizer menggunakan penglihatan 3D, AI, dan lengan robot
AI =potensi tak terbatas?
Solusi berbasis AI tidak diragukan lagi merupakan jalan menuju masa depan karena pengguna tidak perlu merancang, men-debug, atau menguji apa pun. Sistem cerdas dapat membebaskan integrator dari beban kalkulasi dan tugas terkait 3D yang sulit.
Apa yang harus mereka miliki, bagaimanapun, adalah beberapa pengetahuan mekanik dasar, termasuk bagaimana berbagai jenis gripper bekerja, mana yang cocok untuk memilih bagian tertentu, dan bagaimana mendistribusikan semua komponen mekanik yang digunakan dalam aplikasi untuk mencegah kegagalan manipulasi robot. atau memindai.
Integrator juga harus mengetahui kapasitas potensial dari sistem tertentu agar dapat menyesuaikannya dengan kebutuhan khusus pelanggan. Penting untuk diingat bahwa AI masih merupakan bagian dari solusi dan tidak boleh dilebih-lebihkan. Integrator akan selalu membutuhkan pengetahuan khusus tertentu agar berhasil menerapkan solusi otomatisasi cerdas.
Jika semua persyaratan ini terpenuhi, penyebaran robot depalletisasi dapat membantu perusahaan logistik mendapatkan ROI yang cepat, meningkatkan proses rantai pasokan, dan meningkatkan produktivitasnya. Mereka juga dapat menghemat waktu, mengurangi biaya, dan melindungi kesehatan pekerja, membebaskan karyawan untuk tugas-tugas yang memerlukan kreativitas dan pemikiran kritis.
Tantangan paling mendesak yang dihadapi karyawan dan pengusaha saat ini adalah bagaimana tetap bekerja. Karena tidak ada yang dapat memprediksi dengan yakin kapan ekonomi global akan pulih dari penghentian COVID-19, sekarang adalah waktu yang tepat untuk mengotomatiskan dan merampingkan proses produksi.
Artikel ini awalnya diterbitkan di Laporan Robot.
