ŁATWE ROZWIĄZYWANIE KOMPLEKSOWYCH ZADAŃ SORTOWANIA
Uczenie maszynowe: W jaki sposób inteligentnie radzić sobie z coraz większym obiegiem opakowań zwrotnych
Coraz więcej nowych marek i produktów, coraz bardziej indywidualne style butelek. Wymagania dla optymalnie funkcjonującej i wydajnej logistyki w branży napojów znacznie wzrosły w ostatnich latach i ich końca nie widać. „Od wielu lat zajmujemy się realizacją logistyki opakowań zwrotnych. Doradzamy przedsiębiorstwom z branży napojów, jeśli konieczne jest zapewnienie prostoty i wydajności ich procesów. Do tego potrzebne są instalacje sortujące z dobrze zaprojektowaną i zaawansowaną techniką, która poradzi sobie z tą złożonością”, mówi Martin Brückmann, kierownik naszego zakładu w Kassel.
Inteligentna technika rozpoznawania jako główny element
Wracające do centrów logistyki napojów nośniki ładunku zawierają najbardziej kolorowe mieszanki wszystkich znajdujących się w handlu lub obiegu skrzynek na napoje. Pomieszane butelki stojące w skrzynkach nie są wcale mniej barwne.
Aby w jak najkrótszym czasie poradzić sobie z tą różnorodnością typów skrzynek i butelek oraz przyporządkować je do właściwego celu, decydująca jest sprawnie funkcjonująca identyfikacja.
Do tego zadania opracowujemy optyczne systemy rozpoznawania. Są one głównym elementem każdej instalacji sortującej, która działa z wykorzystaniem najnowocześniejszego przetwarzania obrazów. W tym celu SCHULZ Crate Inspector wykonuje zdjęcia wysokiej rozdzielczości każdej skrzynki i butelki, które składają się z wielu pojedynczych obrazów. Z tymi zdjęciami pracuje nasze oprogramowanie i jest w stanie spełnić każde życzenie sortowania.
Automatyczne wyuczanie nowych artykułów
Artykuły nierozpoznane przez system są automatycznie odrzucane i muszą zostać przetworzone dodatkowo.
„SCHULZ Crate Inspector umożliwia co prawda dodanie nowych produktów”, wyjaśnia nasz pracownik Samuel Kees, Data Scientist w dziale R&D w zakładzie SCHULZ we Frankfurcie nad Menem. „Mimo to zawsze wiążą się z tym znaczne nakłady czasowe przy programowaniu, przekładające się na znaczne zwiększenie kosztów ze względu na cały czas nowe warianty opakowań zwrotnych”. W końcu każdy artykuł musi zostać rozpoznany pod najróżniejszymi kątami patrzenia, nawet jeśli jest zabrudzony lub etykieta uległa uszkodzeniu.
W swojej pracy magisterskiej Samuel Kees zbadał, w jaki sposób można zoptymalizować tę technikę przez algorytmy samouczące. Idea: rozbudowanie Crate Inspektor o uczenie maszynowe (ML). Mówiąc w uproszczeniu chodzi o imitowanie ludzkiego zachowania przy nauce oraz automatyzowanie w celu wykorzystania do określonych celów. Odpowiednie dane, służące do samodzielnego trenowania algorytmu, znalazł nasz pracownik w swojej pracy badawczej i zaprezentował na tej podstawie bardzo obiecujące wyniki.
Współczynnik rozpoznawania jest przy tym prawie równorzędny. Analiza kilku nierozpoznanych prawidłowo artykułów sugeruje ponadto, że nieprawidłowe rozpoznawanie wynika z prostego błędu w rekordzie danych. „Dlatego można założyć, że model samouczący działa jeszcze lepiej”, mówi z pewnością.
Od tego czasu chodzi o usunięcie ostatnich przeszkód z drogi oraz wypróbowanie nowej technologii bezpośrednio u klienta. „W efekcie końcowym wszystko skupia się wokół kwestii, w jaki sposób uczenie maszynowe można wykorzystać w czasie rzeczywistym oraz jak stale pozyskiwane dane mogą dopracowywać nasze oprogramowanie”.
Od teorii do praktyki
Martin Brückmann był od początku przekonany tym bardzo innowacyjnym podejściem. „Dla naszych klientów z branży napojów technologia samoucząca oznacza znaczne ułatwienie pracy w wielu procesach. Nie tylko nie trzeba wykonywać żmudnej pracy przy programowaniu.
Obiecujemy również szybszą realizację i większą wydajność. Kolejnym plusem jest ciągła samooptymalizacji, czyli algorytm cały czas się doucza”. Uruchomienie u klienta również przebiega szybciej. Trzeba wprowadzać mniej ustawień ręcznych i kalibracji.
Aby obszernie przetestować przydatność praktyczną, nasz frankfurcki zespół R&D wyposażył instalację sortującą nową technikę uczenia maszynowego zamiast tradycyjnego przetwarzania obrazów. Pierwsze testy przebiegają zgodnie z oczekiwaniami i potwierdzają moją pracę magisterską”, cieszy się Samuel Kees i jest pewien, że wszystkie inne przebiegną zgodnie z planem. Decydujące będzie jednak sprawdzenie nowych procedur bezpośrednio u klienta na miejscu. Tutaj cały czas zdarzają się sytuacje, których nie da się przewidzieć w praktycznych testach wstępnych”. Jednak i w tym przypadku jest optymistą.
Badanie i rozwój z bezpośrednim odniesieniem
Dzięki własnemu zakładowi R&D SCHULZ w metropolii nad Menem mamy idealne warunki do rozwijania nowych technologii. „Nawet duże koncerny często nie są w stanie dotrzymać nam kroku”, nie bez dumy wyjaśnia nasz kierownik zespołu R&D Sascha Desch. „Projektujemy nie abstrakcyjnie w warunkach laboratoryjnych, lecz od początku bezpośrednio uczestniczymy w projektach klienta, pracujemy precyzyjnie z rzeczywistymi danymi”.
Dzięki takiemu bezpośredniemu zazębieniu się z praktyką uzyskujemy dla naszych klientów maksymalną wydajność. Daje im to dużą przewagę konkurencyjną, ekskluzywność innowacji oraz bezpieczeństwo na przyszłość.
Wiele potencjału do dalszych zastosowań
W przypadku uczenia maszynowego Samuel Kees widzi jeszcze duży potencjał w innych zastosowaniach. Nie tylko w branży napojów lub tam gdzie używana jest technika rozpoznawania. Uczenie maszynowe jest zasadne wszędzie tam, gdzie złożoność zadań powoduje, że klasycznemu programowaniu brakuje efektywności. Do tego w epoce zmian cyfrowych jest wiele przykładów.
