Kamera-basierte Objekterkennung

Größe: px

Ab Seite anzeigen:

Download "Kamera-basierte Objekterkennung"

Rüdiger Krause
vor 6 Jahren
Abrufe

1 Kamera-basierte Objekterkennung Deep Machine Learning. Version 2.0

Einführung Motivation & Megatrends Motivation In der Logistik verursacht die

einen großen Zeit- und Kostenaufwand Die manuelle Erkennung verursacht hohe

Reduzierung der Fehlerraten -> Signifikanter Anstieg der Effizienz = Zwei

und effizientere Parallelisierung Durchbruch bei der Bilderkennung: Neuronale

Parallelisierung geeignet GPU Computing bezeichnet die Nutzung der

2 Einführung Motivation & Megatrends Motivation In der Logistik verursacht die Identifizierung (das Scannen) der Produkte, Pakete, Paletten, etc. einen großen Zeit- und Kostenaufwand Die manuelle Erkennung verursacht hohe Fehlerraten Ziel: Minimierung der aufgewendeten Zeit für Objekterkennung und Reduzierung der Fehlerraten -> Signifikanter Anstieg der Effizienz = Zwei Megatrends Laufende Weiterentwicklungen der Computerhardware ( Mooresche Gesetz ) und effizientere Parallelisierung Durchbruch bei der Bilderkennung: Neuronale Netzwerke übertreffen die menschliche Genauigkeit und sind optimal für die Parallelisierung geeignet GPU Computing bezeichnet die Nutzung der Grafikprozessoren (GPU) zur Beschleunigung von wissenschaftlichen, analytischen, technischen, kunden- und unternehmensspezischen Anwendungen. 2

Technischer Hintergrund Objekterkennung im Lager wird ermöglicht durch: Intelligente Machine Learning Algorithmen zur Objekterkennung in Bildern/Videos ( Neuronale Netzwerke ) Stetig sinkende Kosten

3 Technischer Hintergrund Objekterkennung im Lager wird ermöglicht durch: Intelligente Machine Learning Algorithmen zur Objekterkennung in Bildern/Videos ( Neuronale Netzwerke ) Stetig sinkende Kosten für Hardware und hochauflösende Kameras, Tablets, Smartphones Enormer Anstieg der Rechenleistung von Computern innerhalb der letzten Jahre (GPU Computing) Integration mit Lagerverwaltungssystemen (mit W2MO) 3

Technischer Hintergrund Prozessübersicht:

Integration mit anderen IT Systemen (z.b.

4 Technischer Hintergrund Prozessübersicht: Kameras & Algorithmen für Objekterkennung an Stelle von Scannern Kameras an den relevanten Stellen im Prozess Erkennung von Bewegungen Bewegliche Objekte werden lokalisiert und erkannt Direkte Erkennung und Identifikation von Objekten (bzw. Gütern) und Nutzung von Barcodes Integration mit anderen IT Systemen (z.b. SAP), Unmittelbarer Erhalt von Informationen über das Personal via Bildschirm 4

ermöglichen bisher unerreichte Erkennungsraten (übertreffen menschliche Entscheider) Einmal gelernte Muster können auf andere

5 Technischer Hintergrund Neuronale Netzwerke Objekterkennung wie im menschlichen Gehirn Deep Machine Learning: Neuronale Netzwerke lernen selbstständig die für die Objektidentifikation benötigten Muster Umfangreiche Datenbanken mit Trainingsdaten ermöglichen bisher unerreichte Erkennungsraten (übertreffen menschliche Entscheider) Einmal gelernte Muster können auf andere Aufgabenstellungen übertragen werden -> in der Praxis sind bereits wenige Beispielbilder ausreichend Sehr schnell: <0.1sek pro Bild 5

6 Technischer Hintergrund Praxisbeispiele von Neuronalen Netzwerken Algorithmus wird anhand von Beispielbildern trainiert Extrahiert ( lernt ) automatisch die erforderlichen Muster Logivations Deep Machine Learning ermöglicht die schnelle und zuverlässige Erkennung mithilfe gewöhnlicher Kameras 6

7 Anwendungsfall: Objekterkennung am Arbeitsplatz Logivations Deep Machine Learning - Übersicht Auftrag Produkt Menge OK? Installation der Kameras am Pack-Arbeitsplatz Anbringung von Kameras mit Blickwinkel auf den Inhalt der kommissionierter Behälter Erkennung der Produkte und Stückzahlen innerhalb der Behälter unmittelbar nach jedem Put Sofortige Benachrichtigung der entsprechenden Mitarbeiter bei Unstimmigkeiten 7

8 Anwendungsfall: Objekterkennung am Arbeitsplatz Logivations Deep Machine Learning - Features Features Schnelle, zuverlässige, Kamera-basierte Erkennung und Zählung von Objekten Zählen jeglicher Objekte, wie Kartons oder Werkzeuge bis hin zu Tieren Visualisierung der Ergebnisse in Echtzeit Integriertes, schnelles Scannen von Barcodes kann manuelles Scannen ersetzen Robuste Texterkennung mit Machine Learning Methoden Kommunikationen mit anderen Systemen (LVS, SAP) zur Verifikation Bilder werden gespeichert: nützlich für spätere Verifikation Auftrag Produkt Menge OK?

9 Anwendungsfall: Objekterkennung am Arbeitsplatz Logivations Deep Machine Learning - Anforderungen & Vorteile Anforderungen Feste Installation der Kamera ( ) am Arbeitsplatz GPU Workstation (2000 ) Trainingsdaten von zu erkennenden Objekten (auch als Video möglich) Unverdeckte Sicht auf Objekte bei konstanten Lichtverhältnissen Ausreichend große Barcodes. Können alternativ auch mit motorisierter Kamera (1000 ) gelesen werden Vorteile Deutliche Verringerung des Arbeitsaufwandes Erhöhte Prozesssicherheit Verfügbarkeit der Bilder für spätere Anfragen/Untersuchungen 9

Innovative Projekte Automotive Volkswagen wählt Logivations zum Top-Innovator für Logistics Innovations Beim Innovative Logistics Solution Day präsentierte Logivations die Realtime Objekterkennung

10 Innovative Projekte Automotive Volkswagen wählt Logivations zum Top-Innovator für Logistics Innovations Beim Innovative Logistics Solution Day präsentierte Logivations die Realtime Objekterkennung vor über 230 VW-Managern aus 18 Ländern Aus über 170 Bewerbungen wurde Logivations in einem mehrstufigen Prozess als Nomited Supplier ausgewählt und im weiteren Auswahlverfahren zum Top Innovator gekürt. 10

Ähnliche Dokumente

Simulationsstudien für die Logistik Version 1.0

Simulationsstudien für die Logistik Version 1.0 1 W2MO Simulationsstudien mit Logivations und W2MO das professionelle Werkzeug für Logistik-Design, 3D- Simulation und die Optimierung sämtlicher Logistikprozesse