La complessità e la velocità delle attività logistiche sono in costante aumento.
L’identificazione e la tracciabilità dei prodotti sono una necessità sempre più importante per molti produttori moderni.
Le merci vengono stampate, marcate, incise o etichettate con vari codici a barre, codici dati, caratteri e simboli per identificare i contenuti e fornire informazioni vitali sulla produzione.
Inoltre, sempre più merci devono essere disimballate, ispezionate, imballate e distribuite in tempi sempre più brevi.
I moderni software di elaborazione delle immagini forniscono tutti i metodi e le tecnologie necessarie per leggere caratteri, codici e simboli, indipendentemente dal modo in cui sono stati applicati.
Gli oggetti possono essere identificati anche senza codici, ad esempio grazie alle caratteristiche visive della texture e del colore.
Molti processi dell’intralogistica e dell’automazione di magazzino possono trarre vantaggio dall’uso della visione artificiale (machine vision).
I processi di magazzino possono essere parzialmente e completamente automatizzati con i sistemi di machine vision (visione artificiale).
Per capire meglio come la machine vision (visione artificiale) possa migliorare l’automazione dei processi esistenti nell’intralogistica, analizziamo questa catena di processi che illustra le fasi della catena del valore.
Ricevuta della merce
I prodotti arrivano solitamente in scatole su pallet e devono essere preparati per lo stoccaggio.
Il primo compito è quello di de-pallettizzare la merce, ad esempio su un sistema di trasporto.
È necessario identificare l’articolo e determinare come può essere maneggiato.
L’articolo ha una superficie dura o una consistenza morbida? È necessaria una cura particolare? Utilizzando le tecnologie 3D, è possibile rilevare la posizione e la consistenza della merce.
Ora un robot può essere guidato per prelevare i singoli articoli e posizionarli su un sistema di trasporto.
Un altro processo durante la consegna della merce è la lettura e la decodifica dei codici per identificare l’articolo.
Inoltre, la qualità degli articoli deve essere ispezionata per verificare, ad esempio, la presenza di danni dovuti al trasporto.
Inoltre, è necessario determinare le dimensioni e il volume per utilizzare queste informazioni in una fase successiva, ad esempio durante lo stoccaggio.
Questo compito può essere risolto molto facilmente con comuni sistemi di telecamere 2D o telecamere smart 2D e un moderno software di visione artificiale.
Preparare lo stoccaggio
Questa fase comprende il disimballaggio dei prodotti, l’identificazione delle merci e il controllo di qualità delle merci consegnate.
Prima che la merce possa essere immagazzinata, deve essere effettuata un’ispezione della merce in arrivo.
Per verificare sia la qualità della merce sia la completezza dell’ordine consegnato.
Di solito, una telecamera 2D scatta una foto della scatola aperta e utilizza algoritmi di identificazione per riconoscere il contenuto.
L’identificazione può avvenire tramite la lettura di un codice, ma anche con il Deep Learning se gli oggetti non hanno etichette leggibili.
Stoccaggio – identificare lo stato degli slot degli scaffali
Per questa applicazione è necessario conoscere il luogo e le condizioni di stoccaggio.
Dove saranno stoccate le merci? Lo spazio di stoccaggio è sufficiente?
L’identificazione degli spazi vuoti disponibili sugli scaffali può essere effettuata, ad esempio, utilizzando il Deep Learning.
A tal fine, un robot mobile dotato di una telecamera può passare accanto agli scaffali e scattare foto.
Una volta registrate le foto un software di analisi può fornire gli spazi liberi e le dimensioni del rispettivo spazio di archiviazione.
Ulteriori informazioni sulla posizione possono essere determinate utilizzando altri algoritmi di visione artificiale.
Recupero – identificare i prodotti da emettere
Per la consegna dei prodotti imballati o non imballati, è necessario identificarli e localizzarli prima di poterli prelevare come richiesto.
Quando si raccolgono gli articoli dal magazzino, si può usare un robot per identificare e prelevare gli articoli immagazzinati dagli scaffali.
In pratica, si tratta della stessa tecnologia di Deep Learning che identifica gli spazi vuoti.
La differenza è che in questo caso è necessario distinguere un numero maggiore di articoli.
I sensori 3D potrebbero essere utilizzati anche per determinare le posizioni di presa dei robot.
La combinazione di Deep Learning e tecnologie 3D porterebbe a un processo di recupero completamente automatizzato.
Misurare dimensioni e volume per ottimizzare l’imballaggio
Prima che la merce venga imballata, deve essere effettuato un controllo finale di qualità per garantire che il prodotto abbia lasciato il magazzino senza danni.
Inoltre, le dimensioni e il volume della merce possono essere determinati automaticamente con l’aiuto di un sistema di visione artificiale (machine vision), in modo da imballare tutto nel modo più efficiente possibile.
In questo modo si risparmia sui materiali di imballaggio e, in definitiva, sui costi.
Con l’aiuto dell’elaborazione delle immagini, ad esempio, è possibile controllare automaticamente quali prodotti sono contenuti in un cartone.
Queste informazioni possono essere trasmesse a una stampante di codici a barre, che stampa i codici su etichette.
Un altro sistema applica le etichette ai cartoni.
Il sistema di visione artificiale controlla che la qualità dei codici stampati sia conforme agli standard applicabili (qualità di stampa, spaziatura, ecc.), garantendo così che il codice possa essere letto da qualsiasi lettore di codici standard.
Consegna – controllo qualità emissione merci e pallettizzazione
Ora la merce imballata può essere pallettizzata e preparata per la consegna.
Utilizzando il volume precedentemente determinato dall’elaborazione delle immagini, è ora possibile determinare il numero di scatole da pallettizzare.
Queste informazioni vengono utilizzate per impilare le scatole sui pallet in modo automatico ed efficiente.
Inoltre, le coordinate per la lavorazione automatica da parte di un robot possono essere determinate sulla base di queste informazioni 3D.
Corrispondenza 3D basata su superfici e ricerca di scatole generiche
Queste tecnologie possono essere utilizzate per identificare gli oggetti e la loro posizione.
Sono perfettamente adatte per essere utilizzate, ad esempio, per la depallettizzazione delle scatole o per il recupero degli oggetti per la messa in servizio.
Lettura di codici a barre e codici dati
La lettura dei codici a barre e dei codici dati è uno dei modi più semplici per identificare gli oggetti. Esistono diversi tipi di codici a barre e codici dati.
Entrambi i metodi affrontano fondamentalmente le stesse sfide, poiché i codici possono essere danneggiati o altrimenti disturbati.
I più recenti algoritmi di visione artificiale affrontano queste sfide, consentendo una decodifica rapida delle informazioni.
Riconoscimento ottico dei caratteri (OCR)
Oltre ai codici dati e ai codici a barre, alcuni articoli possono essere dotati di etichette arbitrarie che presentano qualsiasi tipo di testo o carattere.
In questi casi, il riconoscimento ottico dei caratteri (OCR – Optical Character Recognition) può essere un’opzione per identificare gli articoli in base al testo.
Tale testo può essere disponibile in diversi tipi di carattere, dimensioni o persino stili di stampa come la stampa a punti.
Deep learning
Il Deep Learning aiuta a identificare articoli arbitrari senza codici o etichette, ma è anche adatto al controllo qualità, come il rilevamento dei difetti.
Permette nuove possibilità di ispezione della qualità degli articoli.
Identificando l’articolo, il Deep Learning consente di determinare una strategia di movimentazione ottimizzata per le merci o gli articoli.
Vuoi conoscere in anteprima le notizie pubblicate su Logisticamente.it?
Ricevi la newsletter gratuita per rimanere aggiornato sulle ultime novità del mondo della logistica