Anwendungsfälle und Vorteile von Edge Learning in der Logistik

In den letzten Jahren hat sich die Logistikbranche deutlich in Richtung Automatisierung und Digitalisierung entwickelt. Mit dem Aufstieg des E-Commerce und der steigenden Nachfrage nach schnellerer, effizienterer Lieferung setzen Logistikunternehmen auf fortschrittliche Technologien wie Edge Learning, um ihre Betriebe zu optimieren. 

Edge Learning, eine Untergruppe der künstlichen Intelligenz, erweist sich in der Logistikbranche als bahnbrechender Faktor und ermöglicht Echtzeitdatenanalyse, Vorhersage und Entscheidungsfindung am Network Edge.

Meisterung von Herausforderungen während der Pandemie mit Edge-Learning-Innovationen  

In den schwierigen Zeiten der Pandemie spielte die Logistik eine wichtige Rolle bei der Erfüllung der hohen Produktionsanforderungen. Ein wichtiges Anliegen während dieser Zeit war es, die Anzahl der menschlichen Touchpoints zu reduzieren, also die Anzahl der Male, die ein Paket physisch berührt wurde. Als COVID weit verbreitet war, stellten wir fixierte Barcodeleser und Handheld-Barcodescanner bereit, um unseren Kunden zu helfen und die Sicherheit der Bediener zu gewährleisten. Durch die Zusammenarbeit mit unseren Kunden und die Bereitstellung dieser innovativen Technologie für ihre Systeme konnten wir in entscheidenden Momenten einen bedeutenden Beitrag leisten. 

Einblicke in die Leistungsfähigkeit des Edge Learning in der Logistik  

Wir haben mit Bart Piela, Product Marketing Manager bei Logistics Vision Solutions, gesprochen, um seine Meinung dazu zu erfahren, wie Edge Learning die Logistik verändert und welche wesentlichen Vorteile es für die Branche bietet.   

Bart arbeitet seit sechs Jahren für Cognex und seit über zwei Jahren in der Logistik. Er hat mit einer Vielzahl von Logistikkunden zusammengearbeitet, darunter kleine Unternehmen, die gerade erst mit der Automatisierung beginnen, OEMs und sehr erfahrene Branchenführer. Dank dieser Erfahrung weiß Bart, wie die Logistik funktioniert und wie wichtig sie für die Produktion ist.  

Wie unterstützt Edge Learning die Logistikbranche?

Bart: In der Fabrikautomation werden Umgebungen häufig gesteuert. In diesen Bereichen werden wiederkehrende Produkte hergestellt, die immer gleich aussehen, wie Zahnpasta oder mechanische Teile. Aber in der Logistik wird keine Box oder Verpackung gleich aussehen.   

Wenn man sich den Einzelhandel, den E-Commerce-Vertrieb oder sogar den Paketversand ansieht, gibt es zahlreiche Unterschiede zwischen den einzelnen Paketen, die Tag für Tag, Stunde für Stunde und Saison für Saison kontrolliert werden.

Die Logistikbranche ist auch neuer in der Automatisierung. Etwa 80 % aller Lagerhäuser verfügen heute über keine Automatisierung. Das bietet eine enorme Chance, automatisierte Lösungen anzubieten, von denen unzählige Logistikdienstleister profitieren könnten. Eine Lösung ist einfach ein schlüsselfertiges, vorgefertigtes, verpacktes System von Cognex, das problemlos einzurichten ist.   

Stellen Sie sich vor, Sie kaufen ein sehr teures Gerät, dessen Bedienung einschüchternd sein kann, anstatt sich bei Automatisierungsaufgaben auf Menschen zu verlassen. Einige Kunden fühlen sich nicht wohl dabei, in teure Lösungen zu investieren, daher verlassen sie sich darauf, dass Menschen dies auf die althergebrachte Weise tun.   

Es ist weitaus weniger aufwendig, eine einfache, maßgeschneiderte Lösung zu installieren, die alle Anforderungen des Kunden erfüllt. Die langsame Integration von Automatisierung und Edge-KI-Technologie in die Fertigung hilft dabei, Schritt für Schritt vorzugehen, und unterstützt insbesondere Kunden, die gerade erst mit der Automatisierung beginnen.  

Hier kommt Edge Learning ins Spiel.  
 

Was ist Edge Learning?

Edge Learning ist eine Prüftechnologie, die leicht die Variationen der Art und Weise handhabt, wie eine Box, ein Folienbeutel oder Jiffy aussehen könnte, was besonders in der Logistik relevant ist.   

Dank vortrainierter Algorithmen benötigt Edge Learning nur wenige Trainingsbilder, um „aus ihnen zu lernen“, was die Einrichtung extrem simpel macht. Es optimiert den Prozess, indem es schnell lernt und sich an die Anforderungen der Produktionslinie anpasst. Es sind auch keine vorherigen Kenntnisse in Bildverarbeitung oder Programmierung erforderlich. Es ist sowohl für Anfänger als auch für Experten im Bereich der Bildverarbeitung geeignet.

Letztendlich unterstützen wir Anbieter auf einzigartige Weise mit Edge-Learning-Technologie. Unsere Benutzer erzielen eine wesentlich bessere Leistung, Genauigkeit und Geschwindigkeit aus ihren Bildverarbeitungssystemen als je zuvor.

Für welche Art von Anwendungen gilt Edge Learning?

Bart: Für unsere Edge Learning Tools gibt es keine Grenzen für das, was wir uns vorgestellt haben. Wir zielen auf Anwendungen wie Artikelerkennung, Artikelsortierung und Prozessproblemerkennung ab. 

Die Artikelerkennung ist eine Anwendung, bei der wir das Vorhandensein oder Nichtvorhandensein eines Artikels in einem Sortierer erkennen möchten. Bei der Artikelsortierung unterscheiden wir Artikel nach Merkmalen. Zum Beispiel die Unterscheidung zwischen einer Box von einem Folienbeutel. 

Die Erkennung von Prozessproblemen ist eine Kategorie von Anwendungen, bei denen wir versuchen, z. B. Preventive Maintenance oder Prüfung auf Hygieneprobleme, festsitzende Gegenstände oder Staus auf dem Förderband durchzuführen.    

Wer wird von dieser Technologie am stärksten profitieren?

Bart: Der In-Sight 2800 Detektor bietet einige Vorteile in allen Lagerbereichen, insbesondere aber in Bereichen, in denen der Kunde Prozessintelligenz hinzufügen und alte oder schlecht funktionierende Hardware wie regelbasierte maschinelle Bildverarbeitungssysteme ersetzen möchte. 

Wir sehen, wie dies besonders gut in der Prozesssortierung läuft, wo der Kunde versucht, die beste betriebliche Effizienz und den besten Durchsatz zu erhalten, um Aufträge zu erfüllen. 

Ich glaube auch, dass dieses Produkt die Spielregeln in Bezug auf Sortiergenauigkeit und Sortierleistung verändern kann. Diese Technologie kann einen starken ROI erzielen, da die Verbesserung der Sortiergenauigkeit zusätzliche Kosten im Zusammenhang mit Nacharbeit, beschädigten oder manuell gehandhabten Artikeln verringert. 

Sie kann Probleme lösen, die ansonsten kostenintensiv wären und viel Know-how erfordern. Aber jetzt mit Edge Machine Learning erhält man Leistung und Einfachheit zu erschwinglichen Kosten, was sie für jeden zugänglich macht. 
  

Wie richtet man Edge Learning auf dem In-Sight 2800 ein? 

Bart: Die Einrichtung des In-Sight 2800 erfolgt in drei schnellen und einfachen Schritten. Nachdem Sie das Gerät ausgepackt und an das Stromnetz angeschlossen haben: 

Schritt 1: Optimieren Sie Ihr Bild mit nur einem Klick, um Fokus und Belichtung zu verbessern und ein gutes Bild aufzunehmen. 

Schritt 2: Trainieren Sie mit ein paar Bildern, indem Sie Beispiele dafür sammeln, wie Ihr Prozess oder Ihre Anwendung aussieht. 

Bei einer Anwendung zur Artikelerkennung müssen Sie beispielsweise ein paar Bilder davon sammeln, wie ein leeres und wie ein belegtes Tray aussieht. Danach können Sie das System in Sekunden trainieren. 

Mit einer Anwendung zur Artikelsortierung können Sie einige Bilder davon sammeln, wie ein Karton, ein Jiffy-Umschlag oder Folienbeutel aussieht, und diese in Sekundenschnelle trainieren. 

Schritt 3: Stellen Sie Ihr diskretes E/A oder Ihre industrielle Kommunikation bereit. Dann sind Sie einsatzbereit! 

Die innovativen, vortrainierten Algorithmen, die in Edge Machine Learning integriert sind, ermöglichen eine einfache, unkomplizierte und schnelle Einrichtung innerhalb von 10 bis 15 Minuten, ohne dass ein Bildverarbeitungsspezialist oder zusätzliche Hardware erforderlich sind. 

Wie hat Edge Learning die heutige Logistikbranche im Vergleich zu dem verbessert, auf das man sich in der Vergangenheit verlassen hat?

Bart: Vor über fünf Jahren verwendeten wir regelbasierte Algorithmen: schwer zu entwickeln und anfällig für sich ändernde Bedingungen, darunter Verschleiß am Fördersystem sowie Änderungen im Prozessablauf oder Produktdesign. Jede dieser Herausforderungen würde viel Support erfordern, um den Algorithmus neu zu gestalten. 

Vor drei Jahren haben wir Deep-Learning-Lösungen auf den Markt gebracht, die bei der Bewältigung von Variationen äußerst leistungsstark waren. Wie bereits erwähnt, waren sie schwer einzusetzen und schwierig in Betrieb zu nehmen. Deep Learning erfordert viel Overhead-Support, externe Wartung und Zeitaufwand für die Etikettierung oder das Training. 

Für viele Kunden gibt es eine Eintrittsbarriere, aber Edge Learning hilft dabei, Türen zu öffnen, insbesondere für Anfänger. Es bringt Deep Learning in ein praktisches Paket, das weniger aufwendig einzusetzen ist. 

Es bietet eine äußerst flexible Lösung, die sich schnell an neue Situationen anpassen lässt, einschließlich einer schnellen Bildoptimierung, die zudem nur wenig Wartung von außen erfordert.

Kann diese Technologie Kosten senken? 

Edge Learning ist eine erschwingliche Option für Hersteller, die u. U. keine Ressourcen haben, um in teurere Lösungen zu investieren. Das Beste am Edge Learning ist, dass es ohne einen externen Bildverarbeitungsspezialisten im Außendienst umtrainiert werden kann. Dies führt auch zu einer Kostensenkung für Wartung, Betreiber, Gemeinkosten und andere Betriebskosten.

Was wird Ihrer Meinung nach die nächste Logistikinnovation mit Edge Learning sein?

Bart: Ich denke, dass wir in den nächsten Iterationen des Edge Machine Learning auf unserem bestehenden Toolset aufbauen werden, um anspruchsvollere Anwendungen zu bewältigen und gleichzeitig die Benutzerfreundlichkeit beizubehalten. Wir planen, unser bestehendes Edge Learning Toolset in Lösungen zu integrieren, bei denen wir bisher noch keine Bildverarbeitungsprüfung verwendet haben. 

Ein Beispiel hierfür wären unsere Barcode-Lesegeräte: sehr effizient beim Lesen von Barcodes in ihrem aktuellen Zustand. Mit der Integration von Edge Learning Tools können wir jedoch mehr Informationen in unsere Barcode-Lesegeräte einbringen, z. B. die Überprüfung von Barcodes auf Etikettenschäden. Derzeit können unsere Scanner beschädigte Barcodes identifizieren, aber nicht erkennen, wie sie beschädigt wurden. Wenn wir Edge Learning Tools integrieren, können wir Algorithmen erstellen, um Schäden zu finden und festzustellen, ob ein Etikett zerrissen, falsch gedruckt oder verschmiert ist. Das würde einen enormen Mehrwert für unsere Kunden schaffen, wenn sie daran arbeiten, das Grundursachenproblem zu beheben. 

Wir möchten das ursprüngliche Konzept unserer Produkte übernehmen und ihre Fähigkeiten mit Edge Learning erweitern, um anspruchsvollere und fortschrittlichere Tools zu schaffen, die in weniger kontrollierten Umgebungen wie der Logistik funktionieren können. Zum Beispiel die Erstellung eines EL-Zähl- oder Segmentierungstools, das für anspruchsvolle Logistikanwendungen geeignet ist.

Die Zukunft von Edge Learning in der Logistik  

Die Integration der Edge-Learning-Technologie hat enorme Auswirkungen auf die Logistikbranche und bietet viele Vorteile in Bezug auf Genauigkeit, Effizienz und Kosteneinsparungen. Bart wirft einen Blick auf die Innovationskraft des maschinellen Lernens am Edge und unterstreicht seine Fähigkeit, Fehlerabweichungen in der Logistik zu bewältigen und eine zuverlässige Leistung im Vergleich zu Deep-Learning-Lösungen oder traditionellen regelbasierten Algorithmen zu liefern.  

Die Fortschritte der Edge-Learning-Technologie werden Logistikbetriebe weiter verändern und eine zuverlässige Lösung bieten, die sich den laufenden Herausforderungen der Branche stellt und ihr schnelles Wachstum und ihre Innovation fortsetzt.