Casi d’uso e vantaggi dell’edge learning nella logistica

Negli ultimi anni, il settore della logistica ha visto un significativo cambiamento verso l’automazione e la digitalizzazione. Con l’aumento dell’e-commerce e la crescente domanda di consegne più rapide ed efficienti, le aziende di logistica si rivolgono a tecnologie avanzate come l’edge learning per ottimizzare le loro operazioni. 

L’edge learning, un sottoinsieme dell’intelligenza artificiale, si sta dimostrando un punto di svolta nel settore della logistica, consentendo l’analisi dei dati in tempo reale, la previsione e il processo decisionale “al limite” della rete.

Affrontare le sfide della pandemia con l’innovazione dell’edge learning  

Durante i tempi difficili della pandemia, la logistica ha svolto un ruolo enorme nel soddisfare le elevate richieste di produzione. Una preoccupazione importante durante questo periodo era quella di ridurre il numero di punti di contatto umani - o il numero di volte in cui un pacchetto è stato fisicamente toccato. Quando il COVID era diffuso, abbiamo fornito lettori di codici a barre a montaggio fisso escanner di codici a barre portatili per aiutare i nostri clienti e mantenere gli operatori al sicuro. Collaborando con i nostri clienti e fornendo questa tecnologia innovativa per i loro sistemi, questo ci ha aiutato ad avere un impatto significativo quando era più importante. 

Approfondimenti sulla potenza dell’edge learning nella logistica  

Abbiamo parlato con Bart Piela, Product Marketing Manager, Logistics Vision Solutions, per capire come l’edge learning stia trasformando la logistica e quali siano i principali vantaggi che offre al settore.   

Bart lavora in Cognex da sei anni e nella logistica da oltre due anni. Ha lavorato con una varietà di clienti della logistica, tra cui piccole imprese che hanno appena iniziato il loro percorso di automazione, OEM e leader del settore di grande esperienza. Grazie a questa esperienza, Bart conosce i dettagli di come opera la logistica e la sua importanza nella produzione.  

In che modo l’edge learning aiuta il settore logistico?

Bart: Nell’automazione di fabbrica, gli ambienti sono spesso controllati. I prodotti ripetitivi che hanno sempre lo stesso aspetto, come il dentifricio o le parti meccaniche, sono fabbricati in questi spazi. Ma nella logistica, nessuna scatola o pacco avrà lo stesso aspetto.   

Quando si guarda alla vendita al dettaglio, alla distribuzione e-commerce o persino alla distribuzione postale, ci sono così tante differenze da pacchetto a pacchetto che vengono ispezionate giorno per giorno, ora per ora e stagione per stagione.

Anche il settore della logistica è più recente nell’automazione. Circa l’80% di tutto il magazzinaggio oggi non ha alcuna automazione. Ciò rappresenta un’enorme opportunità per fornire soluzioni automatizzate che potrebbero avvantaggiare innumerevoli fornitori di servizi logistici. Una soluzione è semplicemente un sistema chiavi in mano, disponibile subito, pre-costruito e confezionato da Cognex, facile da configurare.   

Immaginate di acquistare un’apparecchiatura molto costosa che può intimidire nell’uso, rispetto all’affidarsi agli esseri umani per svolgere attività di automazione. Alcuni clienti non si sentono a proprio agio a investire in soluzioni altamente costose, quindi si affidano agli esseri umani per farlo allo stesso modo.   

È molto meno travolgente installare una semplice soluzione personalizzata che è confezionata tutta insieme per soddisfare le esigenze di un cliente. La lenta integrazione dell’automazione e della tecnologia Edge IA nella produzione aiuta a iniziare con un passo alla volta, e in particolare aiuta i clienti che stanno iniziando il loro percorso di automazione.  

Ed è qui che entra in gioco l’edge learning.  
 

Che cos’è l’edge learning?

L’edge learning è una tecnologia di ispezione che gestisce facilmente le variazioni di ciò che una scatola, un sacchetto di plastica o imbottito potrebbero sembrare, il che è particolarmente rilevante nella logistica.   

Grazie ad algoritmi pre-addestrati, l’edge learning ha bisogno solo di poche immagini di addestramento da cui “imparare”, il che rende la configurazione estremamente semplice. Ottimizza il processo apprendendo e adattandosi rapidamente alle esigenze della linea di produzione. Non è richiesta alcuna conoscenza pregressa di visione artificiale o programmazione. È perfetto sia per i principianti che per gli esperti di visione.

In fin dei conti, supportiamo i fornitori in tutti i tipi di modi unici con la tecnologia di edge learning. I nostri utenti stanno ottenendo prestazioni, precisione e velocità migliori dai loro sistemi visivi come mai prima d’ora.

A che tipo di applicazioni si applica l’edge learning?

Bart: Per i nostri strumenti di edge learning, non c’è limite a ciò che abbiamo immaginato. Ci rivolgiamo ad applicazioni come il rilevamento degli articoli, l’ordinamento degli articoli e il rilevamento dei problemi di processo. 

Il rilevamento degli articoli è un’applicazione in cui cerchiamo di rilevare la presenza o l’assenza di un elemento su uno smistatore. L’ordinamento degli articoli è il punto in cui stiamo differenziando gli elementi in base alle caratteristiche. Ad esempio, differenziare una scatola da una busta in polietilene. 

Il rilevamento dei problemi di processo è una categoria di applicazioni in cui stiamo cercando di eseguire, ad esempio, la manutenzione preventiva o l’ispezione per problemi di igiene, articoli bloccati o inceppamenti del nastro trasportatore.    

Chi trarrà maggior beneficio da questa tecnologia?

Bart: Con il detettore In-Sight 2800 vediamo alcuni vantaggi in tutte le aree di magazzino, ma soprattutto nelle aree in cui il cliente desidera aggiungere informazioni sui processi e sostituire hardware vecchio o poco performante come i sistemi di visione artificiale basati su regole. 

Vediamo davvero che questo si sta comportando bene nello smistamento dei processi, in cui il cliente sta cercando di mantenere la migliore efficienza operativa e produttività per evadere gli ordini. 

Penso anche che questo prodotto possa cambiare le carte in tavola quando si tratta di precisione di smistamento e prestazioni di smistatori. Questa tecnologia può garantire un ROI elevato, poiché il miglioramento della precisione di smistamento riduce i costi aggiuntivi associati alla rielaborazione, al danneggiamento o alla movimentazione manuale degli articoli. 

Può gestire problemi che altrimenti sarebbero proibitivi in termini di costi e richiederebbero molta esperienza. Ma ora con l’edge machine learning, le persone possono ottenere potenza con semplicità a un costo conveniente, rendendola accessibile a chiunque. 
  

Come si configura l’edge learning su In-Sight 2800? 

Bart: La configurazione di In-Sight 2800 richiede tre semplici e veloci passaggi. Dopo aver tolto il dispositivo dalla confezione e averlo alimentato: 

Fase 1: Ottimizza la tua immagine, con un solo clic, per migliorare la messa a fuoco e l’esposizione per catturare una buona immagine. 

Fase 2: Allenati con alcune immagini raccogliendo esempi di come appare il tuo processo o la tua applicazione. 

Ad esempio, con un’applicazione di rilevamento degli articoli, è necessario raccogliere un paio di immagini di come appare un vassoio vuoto e di come appare un vassoio occupato. Successivamente, è possibile addestrare il sistema in pochi secondi. 

Con un’applicazione di smistamento degli articoli, raccogli un paio di immagini di come appare un cartone, un busta imbottita, una borsa in polietilene e addestrali in pochi secondi. 

Fase 3: Implementa, configura il tuo IO discreto o le tue comunicazioni industriali e sei pronto per partire! 

Gli innovativi algoritmi pre-addestrati integrati nell’edge machine learning rendono facile, semplice e veloce la configurazione in 10-15 minuti, senza bisogno di uno specialista di visione o di hardware aggiuntivo. 

In che modo l’edge learning ha migliorato il settore logistico nel mondo di oggi rispetto a ciò su cui si è fatto affidamento in passato?

Bart: Oltre cinque anni fa, abbiamo utilizzato algoritmi basati su regole, difficili da progettare e fragili in condizioni mutevoli, tra cui usura del sistema di trasporto, oltre a modifiche nel flusso di processo o nella progettazione del prodotto. Ognuna di queste sfide richiederebbe molto supporto per ridisegnare l’algoritmo. 

Tre anni fa, abbiamo introdotto soluzioni di deep learning sul mercato estremamente potenti per far fronte alle variazioni. Come accennato in precedenza, erano difficili da implementare e difficili da mettere in servizio. Il deep learning richiede un sacco di supporto generale, manutenzione esterna e tempo investito in etichettatura o formazione. 

Per molti clienti, c’è una barriera all’ingresso, ma l’edge learning aiuta ad aprire le porte, specialmente per i principianti che iniziano il loro viaggio. Porta il deep learning in un pacchetto conveniente che non richiede il sovraccarico di cui ha bisogno il deep learning. 

Offre una soluzione molto flessibile in grado di adattarsi rapidamente a nuove situazioni, inclusa la messa a punto rapida delle immagini, che richiede poca manutenzione esterna.

Questa tecnologia può aiutare a ridurre i costi?  

L’edge learning è un’opzione conveniente per i produttori che potrebbero non avere risorse da investire in soluzioni più costose. La parte migliore dell’edge learning è che può essere riqualificato sul campo senza uno specialista della visione esterna. Ciò comporta una riduzione dei costi di manutenzione, degli operatori, delle spese generali e di altri costi di proprietà.

Guardando al futuro, quale pensi sarà la prossima innovazione con l’edge learning all’interno della logistica?

Bart: Penso che nelle prossime iterazioni dell’edge machine learning, costruiremo sul nostro set di strumenti esistente per affrontare applicazioni più impegnative mantenendo la facilità d’uso. Prevediamo di prendere il nostro set di strumenti di edge learning esistenti e iniettarli in soluzioni in cui non abbiamo mai utilizzato l’ispezione visiva prima. 

Un esempio di ciò potrebbe riguardare i nostri lettori di codici a barre molto efficienti nel leggere i codici a barre nel loro stato attuale. Ma con l’integrazione di strumenti di edge learning, possiamo iniettare più intelligenza nei nostri lettori di codici a barre per trovare ancora più informazioni, come l’ispezione dei codici a barre per danni alle etichette. Attualmente, i nostri scanner sono in grado di identificare i codici a barre danneggiati, ma non sono in grado di dire come sono stati danneggiati. Se integriamo strumenti di edge learning, possiamo creare algoritmi per individuare eventuali danni e identificare se un’etichetta è lacerata, stampata in modo errato o spalmata. Ciò aggiungerebbe un enorme valore ai nostri clienti mentre lavorano per risolvere il problema principale. 

Miriamo anche a prendere il concetto originale dei nostri prodotti ed espandere le loro capacità con l’edge learning per creare strumenti più sofisticati e avanzati che possano funzionare in ambienti meno controllati come la logistica. Ad esempio, creando uno strumento di conteggio o segmentazione EL adatto per applicazioni logistiche impegnative.

Il futuro dell’edge learning nella logistica  

L’integrazione della tecnologia di edge learning sta influenzando il settore logistico in modo enorme, fornendo molti vantaggi in termini di precisione, efficienza e risparmio sui costi. Bart ha fatto luce sulla potenza innovativa dell’edge machine learning, evidenziando la sua capacità di gestire la variazione dei difetti nella logistica e fornire prestazioni affidabili rispetto alle soluzioni di deep learning o agli algoritmi tradizionali basati su regole.  

I progressi della tecnologia di edge learning continueranno a cambiare il modo in cui vengono condotte le operazioni logistiche, offrendo una soluzione affidabile che affronta le sfide in corso all’interno del settore, continuando la sua rapida crescita e innovazione.