© unsplash/@rhsupplies

© unsplash/@rhsupplies
Transport & Logistik

Visuelle Inspektion von Frachtgütern

Hintergrund

Fracht, die von Logistikunternehmen entgegengenommen wird, muss bei der Ankunft kontrolliert werden. Dazu gehört die Überprüfung der Richtigkeit von Menge, Volumen, Produkttyp und Etiketten, der Funktionalität der Barcodes und ob die Ladung beschädigt ist. Dieser Prozess erfordert einen hohen Zeit- und Personalaufwand. Amazon verwendet zum Beispiel ein automatisiertes System, mit dessen Hilfe der Empfang und die Entladung von Sendungen in etwa 30 Minuten abgeschlossen werden kann, im Vergleich zu Stunden ohne ein solches System.

Herausforderungen

Ein automatisiertes System zur Frachtkontrolle erfordert die automatische Verarbeitung von Bild- und Videodaten, was durch die Implementierung eines Machine Learning (ML) / Computer Vision Modells erfolgen kann. ML-Modelle sind in der Lage, Objekte, z.B. Barcode-Etiketten, zu erkennen und sie in vordefinierte Kategorien einzuordnen.

Alle erforderlichen Informationen müssen jedoch von der Kamera sichtbar sein und in ausreichender Auflösung und Klarheit erkannt werden. Dies kann durch eine Standardisierung des Bilderfassungsprozesses erreicht werden, um eine Mindestqualität der zu verarbeitenden Bilder zu gewährleisten.

Darüber hinaus muss der Mensch in schnelllebigen Logistikprozessen in der Lage sein, im Falle von Ausnahmen und ungenauer Datenerfassung in die fehlenden Informationen einzugreifen und diese zu ergänzen.

Lösungsansatz

Um ein Modell für die automatische visuelle Inspektion von Fracht zu trainieren, wird ein gelabelter Datensatz benötigt, bei dem die verschiedenen gelabelten Merkmale eine Klassifizierung ermöglichen. Da das Modell in der Lage ist, Objekte und ihre räumlichen Dimensionen zu erkennen, können die Menge und das Volumen berechnet werden.

Das Erkennen und Klassifizieren von Objekten in Bildern erfordert ein ML-Modell zur Bildsegmentierung und -klassifizierung. Hier werden üblicherweise Convolutional Neural Networks (CNN), wie z.B. U-Net oder Mask R-CNN Algorithmen, verwendet. Mit Hilfe solcher Modelle kann das automatische Inspektionssystem die Ladung in ihre verschiedenen Elemente zerlegen und ist in der Lage, Unregelmäßigkeiten, z.B. beschädigte Verpackungen oder Barcode-Etiketten, zu erkennen.

Um die vielen Ausnahmen zu berücksichtigen, die das System möglicherweise handhaben muss, muss ein Verfahren eingerichtet werden, das dem Algorithmus zusätzliche Trainingsdaten über falsch klassifizierte Gegenstände zuführt. Dies erhöht die Genauigkeit im Laufe der Zeit und kann sich an Änderungen in der Verteilung des Datensatzes anpassen.

Zusätzlich können die Daten aus der automatischen Sichtprüfung in Echtzeit analysiert werden und geben den Managern ein wertvolles Werkzeug an die Hand, um die Gründe für Ladungsschäden (z.B. nach Auftragnehmer, Ladungsart usw.) zu verstehen.