Cas d’utilisation et avantages de l’edge learning dans la logistique

Ces dernières années, le secteur de la logistique a connu un changement significatif avec l’adoption de l’automatisation et de la numérisation. Avec l’augmentation du commerce électronique et la demande croissante pour des livraisons plus rapides et plus efficaces, les entreprises de logistique se tournent vers des technologies avancées telles que l’edge learning pour optimiser leurs opérations. 

L’edge learning, un sous-ensemble de l’intelligence artificielle, s’avère être un changement révolutionnaire dans le secteur de la logistique, permettant l’analyse des données en temps réel, la prédiction et la prise de décision « à la périphérie » du réseau.

Relever les défis liés à la pandémie grâce à l’innovation en matière d’edge learning  

Pendant les périodes difficiles de la pandémie, la logistique a joué un rôle important pour répondre à la demande élevée de production. Pendant cette période, une préoccupation importante a été de réduire le nombre de points de contact humains, ou le nombre de fois qu’un colis était physiquement touché. Lorsque la COVID s’est répandue, nous avons fourni des lecteurs de codes-barres fixes et des lecteurs de codes-barres portables pour aider nos clients et assurer la sécurité des opérateurs. En collaborant avec nos clients et en fournissant cette technologie innovante à leurs systèmes, cela nous a aidés à avoir un impact significatif lorsque cela était le plus important. 

Informations sur la puissance de l’edge learning dans la logistique  

Nous avons discuté avec Bart Piela, responsable du marketing produit, Logistics Vision Solutions, pour connaître ses réflexions sur la façon dont l’edge learning transforme la logistique et les principaux avantages qu’il offre au secteur.   

Bart travaille chez Cognex depuis six ans et dans la logistique depuis plus de deux ans. Il a travaillé avec une variété de clients logistiques, notamment des petites entreprises qui viennent de commencer leur parcours d’automatisation, des OEM et des leaders du secteur dotés d’une expérience solide. Grâce à cette expérience, Bart connaît les tenants et aboutissants du fonctionnement de la logistique ainsi que son importance dans la production.  

En quoi l’edge learning aide-t-il le secteur de la logistique ?

Bart : Dans l’automatisation industrielle, les environnements sont souvent contrôlés. Les produits répétitifs qui ont toujours le même aspect, comme le dentifrice ou les pièces mécaniques, sont fabriqués dans ces espaces. Cependant, dans la logistique, aucune boîte ou aucun colis n’est identique.   

Lorsque l’on examine la vente au détail, la distribution du commerce en ligne ou même la distribution par courrier postal, les différences entre les colis qui sont inspectés jour après jour, heure après heure et saison après saison sont extrêmement nombreuses.

Le secteur de la logistique est également plus récent en matière d’automatisation. Aujourd’hui, environ 80 % des entrepôts n’ont pas d’automatisation. Cela représente une énorme opportunité de fournir des solutions automatisées qui pourraient bénéficier à d’innombrables fournisseurs de logistique. Une solution avec un système clé en main, prête à l’emploi, préconstruite et emballée de Cognex, facile à installer.   

Imaginez que vous achetez un équipement très coûteux pouvant être intimidant à utiliser, par rapport au fait de compter sur les humains pour effectuer des tâches d’automatisation. Certains clients ne se sentent pas à l’aise à propos des investissements dans des solutions très chères, ils comptent donc sur les humains pour procéder à ces tâches.   

Il est beaucoup moins inquiétant d’installer une solution simple et personnalisée qui est regroupée pour répondre aux besoins d’un client. L’intégration lente de l’automatisation et de la technologie d’IA Edge dans la fabrication permet de commencer étape par étape et, en particulier, d’aider les clients qui commencent seulement leur parcours d’automatisation.  

C’est là que l’edge learning entre en jeu.  
 

Qu’est-ce que l’Edge learning ?

L’edge learning est une technologie d’inspection qui gère facilement les variations de ce à quoi pourrait ressembler une boîte, un sac en polyéthylène ou une pochette, ce qui est particulièrement pertinent dans la logistique.   

Grâce à des algorithmes préentraînés, l’edge learning n’a besoin que de quelques images d’entraînement pour « apprendre », ce qui rend la configuration extrêmement facile. Il optimise le processus en apprenant rapidement et en s’adaptant aux besoins de la ligne de production. Aucune connaissance préalable en matière de vision industrielle ou de programmation n’est requise. C’est parfait pour les débutants et pour les experts en vision.

En fin de compte, nous soutenons les fournisseurs de toutes sortes de manières uniques grâce à la technologie de l’edge learning. Nos utilisateurs bénéficient de performances, d’une précision et d’une vitesse bien meilleures que jamais dans leurs systèmes visuels.

À quel type d’applications l’edge learning correspond-il ?

Bart : Pour nos outils d’edge learning, il n’y a pas de limite à ce que nous avions envisagé. Nous ciblons des applications telles que la détection d’articles, le tri d’articles et la détection de problèmes de processus. 

La détection d’articles est une application dans laquelle nous cherchons à détecter la présence ou l’absence d’un élément sur une trieuse. Le tri d’articles est l’endroit où nous différencions les éléments par caractéristique. Par exemple, différencier un carton d’un sac en polyéthylène. 

La détection des problèmes de processus est une catégorie d’applications dans laquelle nous essayons d’effectuer, par exemple, une maintenance préventive ou une inspection pour détecter des erreurs d’hygiène, des articles coincés ou des bourrages de convoyeur.    

À qui cette technologie va-t-elle bénéficier le plus ?

Bart : Avec le détecteur In-Sight 2800, nous voyons certains avantages dans toutes les zones d’entrepôt, mais en particulier dans les domaines où le client souhaite ajouter de l’intelligence de processus et remplacer le matériel ancien ou peu performant, comme les systèmes de vision industrielle fondés sur des règles. 

Nous voyons vraiment que cela fonctionne bien dans le processus de tri, dans lequel le client tente de conserver la meilleure efficacité opérationnelle et le meilleur rendement pour traiter les commandes. 

Je pense également que ce produit peut changer la donne en matière de précision de tri et de performances des trieurs. Cette technologie peut offrir un retour sur investissement élevé, car l’amélioration de la précision du tri réduit les coûts supplémentaires associés à la reprise, aux articles endommagés ou manipulés manuellement. 

Elle peut gérer des problèmes qui seraient autrement prohibitifs en termes de coûts et qui nécessiteraient beaucoup d’expertise. Désormais, grâce au Machine learning en périphérie, on peut obtenir de la puissance avec simplicité à un coût abordable, il est donc accessible à tous. 
  

Comment configurez-vous l’edge learning sur le système In-Sight 2800 ?

Bart : Il faut trois étapes simples et rapides pour installer le système In-Sight 2800. Après avoir retiré le dispositif prêt à l’emploi de sa boîte et l’avoir mis sous tension : 

Étape 1 : Optimiser votre image, en un clic uniquement, pour améliorer la mise au point et le temps d’exposition et acquérir une bonne image. 

Étape 2 : Entraînez-vous avec quelques images en collectant des exemples de ce à quoi ressemble votre processus ou application. 

Par exemple, avec une application de détection d’articles, vous devrez recueillir quelques images de ce à quoi ressemble un plateau vide et de ce à quoi ressemble un plateau occupé. Ensuite, vous pouvez entraîner le système en quelques secondes. 

Avec une application de tri d’articles, collectez quelques images de ce à quoi ressemble un carton, un sac, un sac en polyéthylène et entraînez-les en quelques secondes. 

Étape 3 : Déployez, configurez vos ES TOR ou vos communications industrielles et vous êtes prêt ! 

Les algorithmes préentraînés innovants intégrés au Machine learning en périphérie facilitent, simplifient et accélèrent la configuration en 10 à 15 minutes, sans avoir besoin d’un spécialiste de la vision ou de matériel supplémentaire. 

Comment l’Edge learning a-t-il amélioré le secteur de la logistique dans le monde d’aujourd’hui par rapport à ce qui était utilisé par le passé ?

​Bart : Il y a plus de cinq ans, nous avons utilisé des algorithmes fondés sur des règles, difficiles à concevoir et fragiles face aux conditions changeantes, y compris l’usure du système de transport, ainsi que les changements du flux de processus ou de conception du produit. Tous ces défis nécessitaient beaucoup d’assistance pour repenser l’algorithme. 

Il y a trois ans, nous avons introduit sur le marché des solutions de deep learning extrêmement puissantes pour faire face à la variation. Comme mentionné précédemment, elles étaient difficiles à déployer et difficiles à mettre en service. Le deep learning nécessite beaucoup de support, de maintenance extérieure et de temps investi dans l’étiquetage ou la formation. 

Pour de nombreux clients, il existe un obstacle à l’entrée, mais l’edge learning aide à ouvrir des portes, en particulier pour les débutants qui commencent tout juste leur parcours. La solution apporte le deep learning dans un ensemble pratique qui ne nécessite pas les frais généraux dont le deep learning a besoin. 

Elle offre une solution très flexible qui peut s’adapter rapidement à de nouvelles situations, y compris un réglage rapide de l’image, qui nécessite également peu de maintenance extérieure.

Cette technologie peut-elle contribuer à réduire les coûts ? 

L’edge learning est une option abordable pour les fabricants qui n’ont peut-être pas les ressources nécessaires pour investir dans des solutions plus coûteuses. La meilleure chose de l’edge learning est qu’il peut être réentraîné sur le terrain sans un spécialiste externe de la vision. Cela réduit les coûts de maintenance, des opérateurs, les frais généraux et d’autres coûts de possession.

À votre avis, quelle sera la prochaine innovation en termes d’edge learning dans la logistique ?

Bart : Je pense que dans les prochaines itérations de l’edge machine learning, nous allons nous appuyer sur notre ensemble d’outils existant pour nos attaquer à des applications plus difficiles tout en conservant la facilité d’utilisation. Nous prévoyons de prendre notre ensemble d’outils d’edge learning existants et de les injecter dans des solutions dans lesquelles nous n’avons jamais utilisé l’inspection de la vision auparavant. 

Par exemple, nous pourrions utiliser nos lecteurs de codes-barres, très efficaces pour lire les codes-barres dans leur état actuel. Et, grâce à l’intégration d’outils d’edge learning, nous pouvons injecter plus d’intelligence dans nos lecteurs de codes-barres pour trouver encore plus d’informations, comme l’inspection des codes-barres pour détecter les dommages d’étiquettes. Actuellement, nos scanners peuvent identifier les codes-barres endommagés, mais ne peuvent pas savoir comment ils ont été endommagés. Si nous intégrons des outils d’edge learning, nous pouvons créer des algorithmes pour détecter les dommages et identifier si une étiquette est déchirée, mal imprimée ou tachée. Cela apporterait une valeur ajoutée considérable à nos clients lorsqu’ils s’efforcent de résoudre le problème racine. 

Nous visons également à adopter le concept original de nos produits et à étendre ses capacités grâce à l’edge learning pour créer des outils plus sophistiqués et avancés qui peuvent fonctionner dans des environnements moins contrôlés comme la logistique. Par exemple, créer un outil de comptage ou de segmentation edge learning adapté aux applications logistiques exigeantes.

L’avenir de l’edge learning dans la logistique  

L’intégration de la technologie de l’edge learning a un impact énorme sur le secteur de la logistique, offrant de nombreux avantages en termes de précision, d’efficacité et d’économies. Bart met en lumière la puissance innovante du Machine learning en périphérie, soulignant sa capacité à gérer les variations de défauts dans la logistique et à fournir des performances fiables par rapport aux solutions de deep learning ou aux algorithmes traditionnels fondés sur des règles.  

Les progrès de la technologie de l’edge learning vont continuer à changer la façon dont les opérations logistiques sont menées, offrant une solution fiable répondant aux défis actuels du secteur, en poursuivant sa croissance rapide et son innovation.