Memanfaatkan Computer Vision, Robotika, dan ML untuk Merevolusi Depalletisasi

Berkat kemajuan teknologi seperti 3D machine vision, robotika memasuki semua bidang proses industri. Wabah COVID-19 telah meningkatkan kesadaran akan kebutuhan mendesak untuk menerapkan otomatisasi untuk pengiriman pesanan yang cepat dan akurat serta rantai pasokan yang efisien. Salah satu aspek spesifik dari proses logistik dapat mencapai tingkat produktivitas yang lebih tinggi dengan implementasi otomatisasi pintar — depalletisasi.

Apa itu depalletisasi?

Depalletisasi adalah proses membongkar pallet yang dimuat dengan kotak satu per satu. Berbeda dengan klasik delayerisasi, di mana gripper robot mengambil seluruh pallet, “berharap” telah mengambil semua kotak yang terkandung di dalamnya, depalletisasi robotik menggunakan kecerdasan buatan. Sistem mengenali kotak individual dan robot meletakkannya satu per satu pada konveyor atau tempat lain yang telah ditentukan.

Depalletisasi menyajikan tingkat yang lebih tinggi dalam membongkar pallet dan menawarkan beberapa keuntungan dibandingkan delayerisasi. Ini memerlukan area penempatan yang lebih kecil — ukuran kotak terbesar dibandingkan seluruh pallet. Dan berkat beban yang lebih ringan, lengan robot dan gripper yang lebih kecil dapat digunakan, yang mengarah pada penghematan biaya yang signifikan.

3D vision dan AI rahasia keberhasilan

Sistem depalletisasi terbaik dapat membuat proses membongkar pallet yang penuh dengan berbagai kotak aman, cepat, efektif, andal, dan pada akhirnya juga efisien biaya. Ini hanya dapat dicapai dengan menggabungkan 3D machine vision dengan robot pintar yang diaktifkan oleh algoritma machine learning canggih.

Volume pemindaian dari 3D scanner yang digunakan perlu cukup besar untuk memindaikan seluruh pallet dari jarak yang cukup. Dengan mempertimbangkan ruang minimum yang diperlukan untuk manipulasi robotik, scanner umumnya perlu dipasang sekitar 3 meter di atas pallet. Memilih 3D scanner yang tepat adalah, oleh karena itu, syarat pertama untuk depalletisasi yang berhasil.

Langkah kedua adalah melatih AI dengan data gambar ini. Algoritma machine learning dapat terus belajar dan mengenali jenis kotak baru, termasuk yang berbeda ukuran atau bentuk tidak teratur yang disebabkan oleh kerusakan, misalnya. Ini membuat solusi ini begitu universal sehingga pembongkaran pallet campuran memerlukan sedikit tantangan. Kotak tidak perlu ditumpuk dalam pola tetapi dapat ditempatkan secara acak, bahkan miring dengan sudut, dan robot masih dapat mengambilnya.

Sistem pintar juga dapat mengenali kotak yang seringkali dipadatkan begitu erat sehingga sulit untuk mengenali celah di antara mereka, yang dapat tipis hingga 0,5 milimeter. Solusi yang lebih lemah mungkin tidak dapat membedakan garis yang memisahkan dua kotak dari garis yang melingkar pembukaan satu kotak tertentu.

Dalam kasus lain, mungkin sulit untuk mengenali kotak dengan permukaan bermasalah, termasuk tekstur yang bervariasi, materi yang bersinar atau mencerminkan, pita yang menempel, pola atau gambar yang “menyesatkan” visi 3D. Kardus dengan lapisan hitam juga dapat menyebabkan masalah.

Cara paling canggih untuk segmentasi kotak individual berdasarkan tekstur dan data 3D adalah menggunakan jaringan saraf konvolusional (CNN). Sistem kemudian dapat memutuskan kotak mana yang akan diambil — kotak yang diletakkan di paling atas pallet datang pertama — dan cara memegangnya untuk memaksimalkan daya hissap gripper yang digunakan.

Untuk memanipulasi dengan aman di ruang antara kotak atas dan scanner, sistem depalletisasi perlu mempertimbangkan ukuran yang mungkin dari kotak. Ini juga penting untuk penempatan kotak yang aman pada konveyor. Ini dapat dijamin dengan menghitung tinggi kotak dari data pemindaian atau dengan menggunakan gerbang optik yang diatur beberapa sentimeter di atas konveyor.

Ketika kotak menyentuh sinar optik, gripper melepaskannya. Dengan cara ini, semua kotak dijatuhkan pada ketinggian yang sama di atas konveyor. Ini adalah keuntungan besar depalletisasi dibandingkan delayerisasi, di mana kotak dengan tinggi yang berbeda dalam satu lapisan memaparkan masalah signifikan.

Robot dapat melakukan seluruh pekerjaan

Sistem Photoneo, yang mencakup 3D vision yang dikembangkan dalam rumah, memberikan contoh dari depalletisasi robotik ini. Sistem perusahaan memindaikan seluruh pallet yang dimuat dengan kotak dan mentransfer pemindaian ke kumpulan data tekstur 3D.

Pemindaian ini kemudian diproses oleh algoritma machine learning Photoneo yang dilatih pada lebih dari 5.000 jenis kotak. AI segera mengenali setiap kotak dan mengirim perintah ke robot. Menggunakan gripper universal yang dikembangkan secara khusus, robot melakukan tindakan pengambilan dengan akurasi +-3 mm. Dengan cara ini, ia mampu membongkar 1.000 kotak dalam satu jam, dengan tingkat akurasi pengambilan 99,7%.

Sistem depalletisasi harus memperhitungkan variabilitas

Jika, meskipun semua perhitungan, gripper gagal mengambil kotak karena permukaan keriput atau halangan lain, gripper mengirimkan feedback dan memberitahu pengguna tentang masalahnya sehingga tindakan korektif dapat dilakukan. Waktu siklus biasanya kurang dari 10 detik, tergantung pada jenis robot, permukaan kotak, dan isinya, karena beberapa perlu dimanipulasi dengan lebih sensitif daripada yang lain.

Lingkungan, robot, dan properti mekanis menentukan dan membatasi waktu siklus. Misalnya, akan mustahil untuk 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 mampu mengambil beberapa kotak dengan tinggi yang sama pada satu waktu. Gripper kemudian mejatuhkan kotak satu per satu.

Rahasia di balik singulasi yang sempurna adalah mengetahui batas ukuran area penempatan sehingga tidak mengambil lebih banyak kotak daripada yang dapat dengan aman dijatuhkan, dan juga untuk mengenali jenis kotak dengan presisi untuk menghindari merayap kotak dengan tinggi yang berbeda. Produk Photoneo kompatibel dengan merek robot utama dan bekerja “out of the box” tanpa pelatihan. Jika menemui jenis kotak baru, sistem mampu melatih ulang dirinya sendiri, yang memperpendek waktu yang diperlukan untuk penerapan dan integrasi.

Menyesuaikan depalletisasi dengan lingkungan yang berpusat pada manusia

Solusi depalletisasi yang berhasil harus mempertimbangkan semua faktor yang dibahas di atas. Meski robot mungkin terlihat cukup sederhana, algoritma machine learning perlu cukup kuat untuk menangani semua tantangan yang mungkin dalam depalletisasi berbagai objek. Pengembang dan integrator harus memikirkan setiap detail aplikasi dan menguji solusi mereka sebelum pengguna dapat mengukur return on investment (ROI).

Selain itu, seringkali diperlukan untuk menyesuaikan robot dengan lingkungan yang berpusat pada manusia. Meskipun otomatisasi berkembang dengan cepat, banyak pelanggan hanya secara bertahap menyesuaikan pusat distribusi dan gudang mereka untuk memanfaatkan robotika dan AI secara maksimal.

Salah satu tantangan utama terkait dengan pembongkaran pallet manual terletak pada ukuran dan berat kotak serta ketinggian dari mana kotak perlu diambil. Operasi manual sering mengakibatkan cedera serius, sehingga sistem depalletisasi terbaik membantu asosiasi menghindari gerakan berisiko atau berulang.

Misalnya, Photoneo Depalletizer dapat mengambil kotak hingga 50 kg tanpa campur tangan manusia. Salah satu keuntungan terbesar adalah robot dapat bekerja non-stop, tanpa pernah lelah.

Depalletizer menggunakan 3D vision, AI, dan lengan robot

AI = potensi tak terbatas?

Solusi yang dihasilkan AI tanpa diragukan lagi adalah jalan menuju masa depan karena pengguna tidak perlu merancang, men-debug, atau menguji apa pun. Sistem pintar dapat melepaskan integrator dari beban perhitungan dan tugas 3D yang sulit.

Namun, mereka harus memiliki beberapa pengetahuan mekanis dasar, termasuk cara kerja berbagai jenis gripper, mana yang cocok untuk mengambil bagian tertentu, dan cara mendistribusikan semua komponen mekanis yang digunakan dalam aplikasi untuk mencegah kegagalan manipulasi atau pemindaian robotik.

Integrator juga harus mengetahui kapasitas potensial sistem tertentu untuk dapat mencocokkannya dengan kebutuhan spesifik pelanggan. Penting untuk diingat bahwa AI masih hanya bagian dari solusi dan tidak boleh diperlebihkan. Integrator selalu akan memerlukan pengetahuan spesifik tertentu untuk menerapkan solusi otomatisasi pintar dengan sukses.

Jika semua kondisi ini terpenuhi, penerapan robot depalletisasi dapat membantu perusahaan logistik memperoleh ROI yang cepat, meningkatkan proses rantai pasokan mereka, dan meningkatkan produktivitas mereka. Mereka juga dapat menghemat waktu, mengurangi biaya, dan melindungi kesehatan pekerja, membebaskan karyawan untuk tugas yang membutuhkan kreativitas dan pemikiran kritis.

Tantangan paling mendesak yang dihadapi karyawan dan pemberi kerja saat ini adalah bagaimana terus bekerja. Karena tidak ada yang dapat memprediksi dengan keyakinan kapan perekonomian global akan pulih dari penutupan COVID-19, sekarang adalah waktu yang tepat untuk mengotomatisasi dan menyederhanakan proses produksi.

Artikel ini awalnya dipublikasikan di The Robot Report.