В общественном сознании логистика ассоциируется с простым перемещением товаров из одной точки в другую. Однако на самом деле это сложная и многогранная экономическая отрасль, генерирующая миллиардные доходы. Для повышения эффективности и оптимизации деятельности логистических компаний, направленной на получение прибыли, целесообразно использовать возможности компьютерного (машинного) зрения.
В данной статье обосновывается необходимость применения технологии машинного зрения в логистических процессах. Рассматриваются основные особенности этой технологии, её преимущества и приводятся примеры технологических решений с использованием машинного зрения в производственных и логистических процессах как в России, так и за рубежом. Также представлены прогнозы развития рынка программного и аппаратного обеспечения в сфере машинного зрения, как на российском, так и на международном уровне. В заключение статьи обозначены факторы, способствующие росту использования технологий машинного зрения в России.
Логистика является динамично развивающейся и значимой отраслью мировой экономики. Как и другие секторы рыночной экономики, логистическая сфера испытывает влияние факторов, оказывающих негативное воздействие на рентабельность предприятий.
Существует три основных метода повышения рентабельности:
- Повышение цен: В условиях свободной рыночной конкуренции такая стратегия может привести к потере клиентов, которые предпочтут воспользоваться услугами конкурентов, предлагающих аналогичные услуги по более низким ценам.
- Сокращение численности персонала: Это решение может дать краткосрочный эффект экономии на оплате труда, но в долгосрочной перспективе приведет к дефициту квалифицированных кадров и перегрузке оставшихся сотрудников.
- Оптимизация расходов: Этот метод предполагает рациональное распределение ресурсов для минимизации затрат на перевозки без сокращения штата. Одним из эффективных инструментов оптимизации является внедрение технологий машинного зрения в логистические процессы.
Опыт применения машинного зрения в различных отраслях демонстрирует его высокую эффективность в решении производственных задач. Среди областей применения машинного зрения можно выделить:
- Автоматизация производственных линий
- Сортировка и классификация продукции
- 3D-сканирование объектов
- Маркировка и упаковка товаров
- Робототехника
- Логистика (включая отслеживание грузов)
- Контроль качества продукции
- Видеосъемка в опасных или труднодоступных зонах
- Управление высокоскоростными процессами
Машинное зрение является перспективным методом автоматизации производственных процессов с использованием современных технологий. Его внедрение позволяет в перспективе полностью отказаться от ручного труда при выполнении рутинных и механических операций, одновременно достигая более высокой точности результата и повышая качество продукции и услуг.
Благодаря машинному зрению возможно наладить круглосуточное производство и существенно снизить себестоимость продукции. Данная технология легко интегрируется в любое производство.
В частности, использование промышленных роботов для перемещения предметов, особенно при работе с конвейерным оборудованием, требует высокой точности позиционирования. Когда точное ориентирование невозможно или сопряжено с высокими затратами, применяются системы машинного зрения.
Системы машинного зрения предназначены для автоматического изучения объектов. К основным элементам их структуры относятся устройства получения изображений, а также их анализа и обработки в рабочем пространстве роботизированного механизма, отвечающего за манипуляцию или перемещение предметов. Использование систем машинного зрения не только способствует выполнению работ с пониженными требованиями к ориентации объекта, но и минимизирует ошибки, связанные с человеческим фактором.
Система, оснащенная машинным зрением, способна выполнять ряд задач, критически важных для производственных процессов:
- Контроль сборки: Обеспечивает мониторинг процесса сборки изделий.
- Определение объектов: Выявляет фактическое наличие и расположение предметов на конвейерной линии.
- Подсчет и измерение: Производит подсчет объектов и измеряет их параметры (длина, ширина, площадь, объем).
- Распознавание формы: Определяет соответствие объекта заданной форме.
- Чтение информации: Распознает текст, цифры и штрих-коды на упаковке.
В случае обнаружения некачественных товаров система автоматически маркирует их как брак, либо механически удаляет с конвейера, либо сигнализирует оператору звуковым сигналом.
Использование машинного зрения гарантирует надежное считывание штрих-кодов даже при высокой скорости движения продукции и низком качестве нанесения маркировки.
Применение в логистике:
Современные системы машинного зрения активно применяются для решения разнообразных логистических задач:
- Автоматизированная сортировка: Объединяют программное обеспечение и технологии машинной обработки для перемещения и отслеживания товаров.
- Ручной отбор: Сканеры считывают штрих-коды и проверяют соответствие продукта заказу.
- Распределительные центры и склады: Отслеживают и сортируют товары с помощью комбинации считывателей штрих-кодов для декодирования линейных и двухмерных кодов.
Примеры применения в производственном процессе:
- Печать и наклейка этикеток: Автоматизация печати этикеток со штрих-кодами, считывание сложных кодов на высокоскоростных производственных линиях.
- Сортировка упаковок: Быстрая и эффективная сортировка упаковок, сканирование штрих-кодов на нескольких сторонах одновременно.
Сканирование:
- 2 и 3-стороннее сканирование: Сканирование этикетки с искажениями перспективы, сканирование штрих-кодов независимо от ориентации этикетки.
- Сканирование транспортной тары: Повышение скорости и эффективности сканирования транспортной тары, надежное декодирование штрих-кодов.
- Одностороннее сканирование штрих-кодов на упаковках: Одностороннее сканирование штрих-кодов в различных направлениях, точное распознавание штрих-кодов независимо от ориентации этикетки или места ее размещения на упаковке.
- Сканирование поддонов: Сканирование объектов любых размеров даже в условиях плохого освещения, сканирование этикетки поддона независимо от его положения.
- 5 и 6-стороннее сканирование упаковок: Одновременное считывание данных на нескольких сторонах упаковки, считывание этикеток на упаковках разных размеров.
Качество функционирования систем машинного зрения определяется, в первую очередь, совершенствуемыми разработчиками основными компонентами [4]:
- Камерами. Современные цифровые камеры, изготовленные в формате 3D, способны выполнять сразу множество операций (определение уровня жидкости, считывание штрих-кода, проверка целостности крышки) и обладают прочным корпусом, адаптированным к суровым производственным условиям.
- Программным обеспечением. Автономная работа системы без участия человека возможна исключительно при качественном программном обеспечении. Разработчик создает стандартный набор программ, который Subsequently дорабатывается под специфику каждого предприятия.
В качестве иллюстрации применения машинного зрения в логистике можно рассмотреть программное решение компании «COGNEX» (США) [5].
Продуктовая линейка «COGNEX», включающая считыватели штрих-кодов DataMan, системы технического зрения In-Sight и видеодатчики Checker, применяется на производственных предприятиях, складах и в центрах распределения для измерения, контроля и идентификации товаров.
Видеодатчики Checker могут заменить фотоэлектрические датчики систем обнаружения. Система In-Sight обладает уникальными функциями проверки, обнаружения и сортировки деталей. Промышленные считыватели DataMan обеспечивают высокую степень считывания сложных или поврежденных штрих-кодов.
Программные решения «COGNEX» не требуют дополнительной настройки оборудования после установки. Их применение способствует минимизации дефектов на производственной линии, снижению капитальных затрат и повышению лояльности клиентов.
Финская компания «ZenRobotics» в 2011 году разработала интеллектуального робота для сортировки мусора. Программное решение «ZRR2», использующее комбинацию машинного зрения и машинного обучения, интегрируется в роботизированные устройства, работающие на конвейерной линии. Искусственный интеллект получает данные с трех камер и сенсоров, адаптирован для идентификации широкого спектра пищевого картонного мусора, распознавания товарных знаков, маркировок и 3D-форм. В результате была создана система, оснащенная двумя роботизированными руками, управляемыми искусственным интеллектом, способная с высокой точностью распознавать новые виды картонного мусора со скоростью 4000 элементов в час. Данное устройство способствует снижению вовлеченности людей в монотонный рабочий процесс и минимизации ошибок.
Автономные управляемые транспортные средства также играют важную роль в логистике. В настоящее время изучаются неиндустриальные коллаборативные системы, включающие в свой состав управляемые независимые транспортные средства, с целью сокращения числа обслуживающего персонала. Сингапурская компания «GreyOrange» производит роботизированные комплексы, предназначенные для интеграции в систему автопилотирования транспортных средств. Программное обеспечение носит название «GreyMatter».
Японская мебельная компания «Nitori» успешно реализовала систему «GreyMatter» для оптимизации процессов доставки. Эта платформа интеллектуально планирует маршруты, учитывая специфику груза, что позволило сократить сроки поставки.
В сфере розничной торговли актуальным становится применение компьютерного зрения для управления складскими запасами. Французский стартап «Qopius» разработал программу, использующую машинное зрение для определения остатков товаров на полках, отслеживания их перемещения и повышения эффективности работы магазинов сети.
Анализируя графические изображения, «Qopius» может выявлять характеристики всех объектов: бренды, логотипы, цены и т.д., что позволяет определить, какие товары необходимо добавить на полку, сколько товаров доступно или какое количество определенного товара в данный момент находится на полке.
В России проект «Умный завод», реализованный компанией «ROBODEM», использует видеоаналитику для контроля производства. На одном из крупных заводов была внедрена система контроля производства на основе технологии машинного зрения.
Следует отметить, что системы автоматического чтения штрих- и QR-кодов в складской автоматизации и логистике также относятся к системам машинного зрения.
Российский ритейлер «Дикси» выбрал решение отечественного стартапа «GoodsScan» для автоматического мониторинга товарных остатков. Эта система, основанная на машинном зрении и камерах, установленных на погрузчиках, отслеживает запасы, декодируя штрих-коды, а также создавая трехмерную карту объектов и определяя их размеры.
Следует подчеркнуть целесообразность поэтапной интеграции технологий машинного зрения в складские операции с соответствующим наращиванием инвестиций. Необходимо учитывать, что внедрение таких технологий потребует модификации складских помещений и создаст предпосылки для инновационных решений.
Машинное зрение выступает катализатором автоматизации, которая уже в той или иной мере реализована в рабочих процессах различных складских и логистических предприятий.
В качестве примеров модернизации складских и логистических процессов можно привести:
- применение самоходного транспорта в системах челночной транспортировки для оптимизации складских операций с высокой плотностью хранения;
- повышение эффективности управления возвратами за счет использования машинного зрения для инспекций, а также регулярный анализ образцов на соответствие требованиям к возврату товаров;
- использование искусственного интеллекта и автоматизации для модернизации производственных процессов на складах с целью ускорения размещения и обеспечения доступности высоколиквидных товаров.
Однако, для обеспечения “зрения” роботам недостаточно одних лишь камер. Необходимо обеспечить возможность идентификации и сбора одной конкретной детали из множества аналогичных деталей, находящихся в контейнере. После передачи изображения с камеры на компьютер требуется предварительное программирование для первоначальной идентификации детали, даже если она частично скрыта.
По завершении локализации объекта робот должен определить своё пространственное положение, убедиться в доступности детали, а затем спланировать траекторию движения манипулятора с учётом необходимой ориентации для захвата предмета. Всё это должно происходить с достаточной скоростью, чтобы быть конкурентоспособным в промышленной сфере.
На сегодняшний день множество компаний активно разрабатывают решения данной задачи и добиваются значительных успехов. В качестве примера можно привести Universal Robotics из США. Эта компания реализовала уникальный подход, создав программное обеспечение, моделирующее работу человеческого мозга. Используя датчик Microsoft Kinect и собственное программное обеспечение Neocortex, Universal Robotics позволила роботу “научиться” идентифицировать и захватывать предметы из корзины [9]. После обучения одного робота навыку захвата конкретного объекта, эти знания могут быть переданы другим роботам на том же предприятии.
Выходя за рамки производственных площадок, несколько компаний используют компьютерное зрение для создания роботов, работающих в сельском хозяйстве и садоводстве. Испанская компания Agrobot разработала сборщик клубники, который использует несколько роботизированных конструкций с камерами для определения спелости ягод и отбора только готовых к сбору плодов. Другие компании и исследовательские центры разрабатывают роботов для сбора яблок, апельсинов и даже вишни.
Очевидно, что успехи в области роботов для сбора фруктов могут быть адаптированы для создания более совершенных логистических роботов в будущем.
В целом, прогноз компании Tractica свидетельствует о росте мирового рынка программного и аппаратного обеспечения в сфере машинного зрения до 48-50 млрд долларов при совокупном темпе годового роста 32,9% [10]. Ожидается, что около трёх четвертей доходов будут генерироваться устройствами и комплектующими.
По данным аналитического центра «TAdviser», объёмы рынка компьютерного зрения в РФ достигли 8 млрд. руб. Темпы роста рынка ма- шинного зрения в будущем, возможно, возрастут до 40% , а далее объем рынка может вырасти до 38 млрд. руб.
Расширение сферы применения технологий машинного зрения в России обусловлено рядом факторов:
- Государственная поддержка: Развитие национальной программы цифровой экономики, в частности секция “Нейротехнологии и искусственный интеллект”, подчёркивает значение компьютерного зрения.
- Инновационный потенциал: Роботизированные и автоматизированные системы, включая робототехнику и применение машинного зрения в розничной торговле, демонстрируют перспективность данной технологии.
- Развитие “Умного города”: Решения для “Умного и Безопасного города”, а также автоматизированные транспортные системы создают благоприятную среду для внедрения машинного зрения.
- Индустриальная автоматизация: Автоматизация производства в масштабах промышленности, развитие интернета вещей и промышленного интернета [13] способствуют росту спроса на технологии машинного зрения.
Внедрение машинного зрения в складской и логистический процессы обладает явными преимуществами. В условиях жесткой конкуренции предприятия стремятся к инновациям и оптимизации производственных процессов. Инструменты машинного зрения позволяют снизить затраты на производство, повысить качество операций, а также эффективно обрабатывать большие объемы данных.
Таким образом, внедрение технологий машинного зрения дает возможность производителям решать три ключевые задачи:
- Оптимизация качества продукции
- Снижение расходов
- Автоматизация производственной линии
Литература
- Официальный дистрибьютор систем ма- шинного зрения и научной визуализации в России «CameraIQ»
- Разработчик систем технического зрения и искусственного интеллекта «Robodem»
- Разработчик систем технического зрения и искусственного интеллекта «Малленом Системс»
- Системный интегратор промышленных ро- ботов и роботизированных комплексов «ФАМ Роботикс»
- Покровская В. Машинное зрение COGNEX: надежные решения для автоматизации и мониторинга логистических и производственных процессов / В. Покровская // CONTROL ENGINEERING РОССИЯ. – – № 3 (57). – С. 48- 51
- Портал бизнес-анализа в области логисти- ческого ритейла «Ритейл Сервис 24».
- Дистрибьютор программного обеспечения «Системный софт»
- Отраслевой портал «Логистика».
- Технический форум по робототехнике.
- Рынок компьютерного зрения – ожидается рост к 2022 году до $50 млрд. КИП и автоматика: обслуживание и ремонт. – №1. – 2020.
- Исследовательская компания в области вза- имодействия человека с технологиями «Tractica.com»
- Портал выбора технологий и поставщиков «TAdviser»
- Объединение компаний-разработчиков программного обеспечения «РУССОФТ».
