Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Wie funktioniert die Integration des vorinstallierten neuronalen Netzes in die 3D-Snapshot-Kamera und welche Vorteile bietet diese gegenüber herkömmlichen Kamerasystemen? Die 3D-Snapshot-Kamera des PALLOC-Systems ist mit einem vorinstallierten neuronalen Netz ausgestattet das speziell für die Verarbeitung und Analyse von 3D-Bilddaten optimiert ist Das neuronale Netz arbeitet mit den Farbbildinformationen Außerdem wird die Verarbeitung des neuronalen Netzes mit der 3D-Bildanalyse kombiniert Der Zusammenschluss dieser beiden Technologien gewährleistet eine optimale Leistung des Sensors in Bezug auf Flexibilität Genauigkeit und Zuverlässigkeit Im Vergleich zu anderen Kamerasystemen ermöglicht die 3D-Snapshot-Kamera eine präzisere Erfassung der räumlichen Geometrie und verfügt über eine gewisse Robustheit gegenüber Störungen wie wechselnden Lichtverhältnissen Schatten oder Teilverdeckungen Dies führt zu einer genaueren Identifikation und Positionierung von Paletten selbst in komplexen oder unübersichtlichen Umgebungen Hinzu kommen eine schnellere Verarbeitung der Daten sowie Reaktionszeiten durch die vortrainierten Modelle erweiterte Funktionalitäten durch die umfassen Anomalieerkennung und flexiblen Anpassungen sowie die einfache Systemintegration und Möglichkeit zur stetigen Weiterentwicklung des neuronalen Netzes Können Sie erklären wie der Deep-Learningbasierte Lokalisierungsalgorithmus von PAL-LOC entwickelt wurde und welche spezifischen Herausforderungen dabei gemeistert werden mussten? Unser Ziel war es eine zuverlässige Positionierung von Kartons in komplexen und dynamischen Umgebungen zu ermöglichen Bei der Entwicklung des Lokalisierungsalgorithmus haben wir verschiedene Stationen durchlaufen beginnend mit der Erfassung umfangreicher 3D-Daten von unterschiedlichen Boxentypen in unterschiedlichen Szenarien sowie deren Annotation und Vorverarbeitung Diese Daten bilden die Basis für die Auswahl der passenden Deep-Learning Modellarchitektur und das anschließende umfangreiche Training des Modells Besondere Herausforderungen bei der Entwicklung lagen beispielsweise im Umgang mit komplexen Umgebungen also der Vielzahl von Formen und Zuständen sowie in der Verarbeitung großer Datenmengen Da die Lokalisierung in Echtzeit erfolgen muss war es eine Herausforderung das Modell so zu optimieren dass es große Mengen an Daten schnell und effizient verarbeiten kann ohne die Genauigkeit zu beeinträchtigen Das Training und der Einsatz von Deep-Learning-Modellen erfordern zudem erhebliche Rechenressourcen Ein Balanceakt bestand darin ein Modell zu entwickeln das leistungsfähig genug ist um präzise zu arbeiten aber gleichzeitig effizient genug um in einer industriellen Umgebung eingesetzt werden zu können Wie trägt die integrierte KI dazu bei dass das System neue bisher nicht gesehene Kartonvarianten im laufenden Betrieb zuverlässig erkennt und verarbeitet? Welche Rolle spielt dabei die KI-Tool-Suite? Die KI die im PALLOC-System integriert ist wurde mit einer sehr hohen Anzahl von Bildern von unterschiedlichen Kartondaten und -typen vortrainiert Dabei kommen Techniken wie Datenaugmentation zum Einsatz bei denen die Bilder der gesammelten Pakete künstlich verändert werden so dass synthetische Varianten entstehen die in das Training einbezogen werden Dies erhöht die Fähigkeit des Modells auch neue und bisher unbekannte Varianten zu erkennen Das neuronale Netz im PALLOC-System ist darauf ausgelegt wesentliche Merkmale von Kartons zu extrahieren wie Kanten Ränder Ecken und geometrische Formen Diese Merkmale sind oft über verschiedene Kartonvarianten hinweg ähnlich wodurch das Modell dies auch auf neue Kartons anwenden kann Aufkleber Barcodes oder andere Beschriftungen werden automatisch erkannt und ignoriert Aktuell arbeiten wir daran dass auch andere Körper wie Kleinladungsträger oder Säcke künftig verwendet werden können Die KI-Tool-Suite im PALLOC-System umfasst eine Reihe von Werkzeugen und Schnittstellen die das Training und die Feinabstimmung ermöglichen Sie erlaubt es neue Kartonvarianten schnell zu integrieren Dies geschieht durch ein Verfahren bei dem das neuronale Netz auf neue Objektvarianten trainiert wird während es seine bereits erlernten Fähigkeiten beibehält Ein wichtiger Aspekt der KI-Tool-Suite ist zudem die Nutzung von Transfer Learning bei dem das bestehende Modell auf Basis neuer Daten weiterentwickelt wird Dabei werden bereits gelernte Merkmale und Muster auf neue ähnliche Aufgaben übertragen was eine schnelle Adaption an neue Kartontypen ermöglicht In t r a l o g i s t i k Ein Interview mit Maik Ahlers Market Product Manager bei der Sick-Vertriebs-GmbH in Düsseldorf Web-Tipp Lesen Sie das ganze Interview mit Herrn Ahlers auf computerautomation de Unser Ziel war es eine zuverlässige Positionierung von Kartons in komplexen und dynamischen Umgebungen zu ermöglichen Interview 20 | w w w c o m p u t e r - a u t o m a t i o n d e · Sc r e e n Ed i t i o n 2 0 2 4