{"id":361,"date":"2017-05-16T12:30:00","date_gmt":"2017-05-16T12:30:00","guid":{"rendered":"https:\/\/framos.com\/articles\/next-level-automatisierung-dank-machine-learning\/"},"modified":"2024-04-24T21:20:04","modified_gmt":"2024-04-24T21:20:04","slug":"next-level-automatisierung-dank-machine-learning","status":"publish","type":"articles","link":"https:\/\/framos.com\/de\/fachartikel\/next-level-automatisierung-dank-machine-learning\/","title":{"rendered":"Next Level: Automatisierung dank Machine Learning"},"content":{"rendered":"

Wie Bildverarbeitung und K\u00fcnstliche Intelligenz komplexe Sortiervorg\u00e4nge automatisieren
<\/h2>\n

Die Umschlagvolumina im B2C- und B2B-Warenversand wachsen seit Jahren und bringen Anlagen und traditionelle Technologien in allen Industrien an ihre Grenzen. Vor allem die schwierige Sortierung unterschiedlichster Objekte verbraucht manuelle Ressourcen, dauert lang, ist fehleranf\u00e4llig und verursacht hohe Kosten. Bildverarbeitung gepaart mit k\u00fcnstlicher Intelligenz hilft komplexe Sortiervorg\u00e4nge direkt am F\u00f6rderband zu automatisieren.<\/p>\n

Mit Bildverarbeitung erhobene Daten erm\u00f6glichen Machine Learning als n\u00e4chsten Evolutionsschritt der Automatisierung in industriellen Sortierprozessen. Die \u00e2\u20ac\u017esehenden Maschinen\u201c lernen mit kognitiven Prozessen anhand gro\u00dfer Datenmengen selbst, ob beispielweise ein bestimmtes Objekt besch\u00e4digt ist, wie es klassifiziert und sortiert werden muss und ob es korrekt verschlossen ist. Mit der erlernten k\u00fcnstlichen Intelligenz k\u00f6nnen die \u00e2\u20ac\u017esehenden und denkenden Maschinen\u201c logistische Prozesse vollautomatisiert steuern.<\/p>\n

F\u00fcr Intralogistiker aller Branchen mit hoher Warenvielfalt, gro\u00dfe E-Commerce-Versender sowie Versand- und Paketdienstleister ist die Sortierung unterschiedlichsten Sendungen zur korrekten Weiterverarbeitung eine der gr\u00f6\u00dften Herausforderungen. Uneinheitliche Verpackungen machen eine maschinelle Sortierung fast unm\u00f6glich. Aufgrund der Vielzahl der verschiedenen Gr\u00f6\u00dfenklassen und Formen, der Vielzahl der verwendeten Verpackungsmaterialien sowie der Stapelung und H\u00e4ufung der Pakete auf dem F\u00f6rderband sind die einzelnen Pakete mit herk\u00f6mmlichen Technologien nicht erfassbar. Der Sortiervorgang ist daher auch bei hohen Umschlagvolumina oft noch stark manuell gepr\u00e4gt. Dies f\u00fchrt zu hohen Kosten sowie zu langsamen und fehleranf\u00e4lligen Sortiervorg\u00e4ngen.<\/p>\n

\n

Vollautomatische Sortierung mit Machine Learning
<\/h2>\n

\"Fotolia_69112114_L\"<\/p>\n

Hier hilft Machine Learning. Die Methode verleiht einem Algorithmus selbstlernende F\u00e4higkeiten. Dazu bekommt er zun\u00e4chst eine hohe Anzahl an Bilddaten, zum Beispiel zehntausende Bilder von auf einem F\u00f6rderband gestapelten Objekten. F\u00fcr den Computer bedeutet dies zun\u00e4chst Chaos. Anschlie\u00dfend werden die Bilddaten durch einen Menschen vorklassifiziert. Dem Algorithmus wird gesagt \u00e2\u20ac\u017eDas ist ein Paket\u201c und anhand individueller Merkmale kann er die Objekte anschlie\u00dfend selbst in Kategorien einteilen. Diese Klassifizierungen finden durch die Anwendung eines neuronalen Netzes statt. Das neuronale Netz stellt einen mehrstufigen, rechenaufwendigen Prozess dar, der Daten \u00fcber mehrere Stufen separiert und so die Klassifizierungen vornimmt. Die intelligente Leistung des Algorithmus liegt darin, dass er Bildmuster erkennt und anhand der vorher get\u00e4tigten Klassifizierung lernt, warum und anhand welcher Merkmale diese Klassifizierung existiert. Die Maschine lernt in diesem Fall, anhand welcher Parameter ein Paket als Paket einzustufen ist. Damit kann der Algorithmus zuk\u00fcnftige einzelne Objekte selbstst\u00e4ndig klassifizieren.<\/p>\n

Machine Learning kommt dort zum Einsatz, wo die bildgebende oder taktile Sensortechnik ihre Grenzen erreicht. Beispielsweise in der Sortierung von stark diversifizierten Objekten. Mit 3D-Scannern w\u00e4re eine Identifizierung der Form nur unzureichend und bei niedriger Geschwindigkeit m\u00f6glich. F\u00fcr eine angeschlossene Anlage mit Greifroboter bedeutet dies potenzielle Sortierungenauigkeiten, Fehlleitungen, Anlagenausf\u00e4lle, Wartezeiten und eine aufwendige manuelle Nachbereitung. Machine Learning gesteuerte Anlagen dagegen erkennen anhand des gelernten Klassifikations-Schemas die Objekte und deren Form exakt und der Roboter kann die Sortiervorg\u00e4nge vollst\u00e4ndig maschinell und in erh\u00f6hter Geschwindigkeit durchf\u00fchren.<\/p>\n

Die Daten werden von einem Kamerasystem erfasst und in einer lokalen Recheneinheit analysiert. Der Algorithmus sieht das Bild, prozessiert, ob und welche seiner gelernten Muster er erkennt und kann damit den Sortiervorgang komplett automatisch steuern beziehungsweise Handlungsbefehle an die nachgelagerten Systemschritte triggern. Gleichzeitig lernt der Algorithmus mit jedem Bild weiter und verfeinert seine Kriterien. Mit Bildverarbeitung, angereichert durch k\u00fcnstliche Intelligenz, steht Unternehmen mit hohen Umschlagsvolumina und aufw\u00e4ndigen Sortiervorg\u00e4ngen eine vollintegrierte automatisierte Industrie 4.0 L\u00f6sung mit Machine Learning zur Verf\u00fcgung.<\/p>\n

Machine Learning als strategischer Wettbewerbsvorteil
<\/h2>\n

\"Fotolia_129502258_XL\"<\/p>\n

Die Nutzung der dabei erfassten Daten erm\u00f6glicht erstmals eine l\u00fcckenlose Analyse der gesamten Sortierzyklen und der nachgelagerten Prozessschritte. Dabei gilt die in vielen Branchen sehnsuchtsvoll angestrebte Losgr\u00f6\u00dfe1 als Standard. In automatisierten Sortierprozessen werden im wahrsten Sinne des Wortes am laufenden Band Echtzeit-Entscheidungen auf unvorhersehbare Ereignisse mit st\u00e4ndig wechselnden Kriterien getroffen. Eine aufwendige Vorsortierung oder Vor-Klassifizierung kann wegfallen. Die mit Machine Learning erweiterten Bildverarbeitungsalgorithmen versetzen die Anlagen in die Lage, selbstst\u00e4ndig valide Entscheidungen zu treffen. Damit r\u00fcckt das Ziel der Null-Fehler-Logistik sowie eine pr\u00e4ventive Fehlervermeidung in greifbare N\u00e4he. Auf Basis der Komplettdaten sind Dashboards umsetzbar, welches aus Sicht des Prozessverantwortlichen eine Vielzahl von analytischen Fragen beantworten. Mit den riesigen Datenmengen der intelligenten Algorithmen lassen sich verl\u00e4sslichere Prognosen bilden und optionale Handlungsoptionen f\u00fcr eine strategisch orientierte Planung ableiten. Die mit der Vernetzung von Sensortechnik und Datenbanken realisierte optimale Anlagennutzung schafft einen vereinfachten Workflow, bringt Ressourceneinsparungen und f\u00fchrt zu verringerten Handlingskosten. Die Durchlaufzeit der Objekte sowie die anschlie\u00dfende Weiterverarbeitung wird beschleunigt und weniger fehleranf\u00e4llig, womit auch die Prozessqualit\u00e4t w\u00e4chst.<\/p>\n

Mit Machine Learning steuert die Bildverarbeitung in der Wertsch\u00f6pfungskette eine intelligente Handlung und l\u00e4sst sich als strategischer Vorteil nutzen. Mit dem umfangreichen Sammeln und Bewerten von Bilddaten wird ein zuverl\u00e4ssiges und autonomes maschinelles Handeln m\u00f6glich und erzeugt innerhalb der Automatisierung und Industrie 4.0 eine zus\u00e4tzliche wirtschaftliche Bedeutung. Pl\u00f6tzlich lassen sich Zusammenh\u00e4nge bilden und Erkenntnisse ableiten, die vorher unsichtbar waren. Die Bildverarbeitung avanciert so vom blo\u00dfen Inspektor zum Produktionsoptimierer und kann mit diesem Beratungscharakter und dessen strategischer Rolle ihr volles Potential entfalten. Die Systemeinbettung und -vernetzung der Bildverarbeitungssysteme eliminiert in variablen und hochflexiblen Umfeldern, unternehmerische Risiken. Die visuell erhobenen und intelligent verarbeiteten Daten zur Systemperformance, zu Wechselwirkungen und Output-Qualit\u00e4t sind eine valide Basis f\u00fcr analytisch-fundierte Entscheidungen. Damit f\u00f6rdert die intelligente Bildverarbeitung Prozessverbesserungen, eine erh\u00f6hte Kosteneffektivit\u00e4t und ein rentables Wachstum als Wettbewerbsvorteil.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Die Umschlagvolumina im B2C- und B2B-Warenversand wachsen seit Jahren und bringen Anlagen und traditionelle Technologien in allen Industrien an ihre Grenzen. Vor allem die schwierige Sortierung unterschiedlichster Objekte verbraucht manuelle Ressourcen, dauert lang, ist fehleranf\u00e4llig und verursacht hohe Kosten. Bildverarbeitung gepaart mit k\u00fcnstlicher Intelligenz hilft komplexe Sortiervorg\u00e4nge direkt am F\u00f6rderband zu automatisieren.<\/p>\n","protected":false},"author":6,"featured_media":364,"comment_status":"closed","ping_status":"closed","template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false},"article-category":[],"article-tag":[],"class_list":["post-361","articles","type-articles","status-publish","format-standard","has-post-thumbnail","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/articles\/361","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/articles"}],"about":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/types\/articles"}],"author":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/comments?post=361"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/media\/364"}],"wp:attachment":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/media?parent=361"}],"wp:term":[{"taxonomy":"article-category","embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/article-category?post=361"},{"taxonomy":"article-tag","embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/article-tag?post=361"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}