2021년 Pitney Bowes 소포 배송 지수에 따르면 2020년 전 세계적으로 1,310억 개의 패키지가 배송되었습니다. 이 수치는 2026년까지 두 배 이상 증가할 것으로 예상되며, 이는 세계적인 유행병과 전자상거래 산업의 성장으로 가속화됩니다. 온라인 소매 구매가 증가함에 따라 물류, 창고 및 배송 프로세스를 자동화해야 할 필요성이 우선순위가 되었습니다.
포장 측정, 품질 검사, 바코드 판독, 광학 문자 인식/광학 문자 검증(OCR/OCV) 및 자재 취급 최적화(현재 많은 기업에서 수동으로 수행)는 운송 산업 가치 사슬의 중요한 단계.
"물류, 창고 및 운송 회사는 작업 속도를 높이려고 노력하고 있습니다. 하지만 오류를 처리할 시간이 없기 때문에 속도는 정확성과 정확성을 의미합니다. 인력 문제도 있습니다. 제공: Zebra Technologies Mark Wheeler, 체인 솔루션 이사는 "이 세 가지를 합치면 기존 기술과 신기술을 혁신적인 방식으로 결합하여 새로운 것을 시도할 수 있는 매우 개방적인 시장이 탄생하게 됩니다."라고 말했습니다.
창고나 유통 센터에서 상품 팔레트는 일반적으로 창고 프로세스의 시작과 끝을 표시합니다. 시설에 들어오면 팔레트로 운반된 배송물은 개별 상자로 분류되거나 완전한 팔레트로 보관됩니다. 디팔레타이징 애플리케이션은 주로 인간을 사용하는 것에서 비전 유도 로봇에 의존하는 것으로 전환되었습니다. 로봇이 이전 품목을 컨베이어 벨트에 놓을 때 머신 비전은 선택할 다음 패키지를 찾아 프로세스 속도를 높입니다.
"대부분의 패키지는 팔레트 로드로 창고에 도착하고 떠납니다." ifm의 로봇 사업 개발부인 Garrett Place는 말합니다. "현대 창고를 통과하는 여정은 대부분의 머신 비전이 사용되는 곳입니다. 물류 애플리케이션의 핵심입니다.
Cognex의 물류 비전 제품 수석 관리자인 Ben Carey는 물류 분야의 머신 비전 적용이 측정, 검사, 안내 및 식별의 네 가지 영역에 적용된다는 데 동의합니다. 각 영역은 인바운드 수령 프로세스부터 아웃바운드 체크포인트까지 분류에 이르기까지 존재합니다.머신 비전 솔루션 개발자에게 사용 사례에 반복성을 적용하는 가장 좋은 방법을 문의하면 변수 수를 제한하는 것에 대해 말할 것입니다. 결국 변수는 엣지 애플리케이션을 생성하지만 대부분의 창고 및 물류 운영에서는 패키지를 이동합니다. 기술 선택을 결정하는 색상, 크기, 모양 및 재료도 마찬가지입니다. 솔루션을 만드는 것이 극도로 어려워졌습니다. "지난 몇 년 동안 Amazon이 주최한 로봇 분류 챌린지가 좋은 예입니다."라고 Place는 말했습니다. 또한 물류 분야에서 대부분의 머신 비전 사용 사례가 다중 카메라인 경우도 있으며 다중 모드의 주된 이유입니다. 하나의 카메라와 하나의 기술만으로는 이러한 유형의 애플리케이션의 가변성을 관리하는 데 충분하지 않습니다. " Zivid 회사 제품 마케팅 관리자인 John Leonard는 다음과 같이 동의합니다. "주요 응용 분야에는 시설 안팎의 상자를 팔레타이징하고 팔레타이징하는 것이 포함됩니다. 이러한 인바운드 및 아웃바운드 작업 사이에는 주로 부품 피킹 작업과 주문 이행을 위한 주문 피킹이 있습니다. 이러한 작업은 모두 장소에 따라 다른 다양한 방법을 사용하여 수행됩니다. " 이러한 방법에는 온보드 3D 비전으로 안내되는 자율 이동 로봇(AMR)이 포함됩니다. 예를 들어 AMR은 자동으로 창고 벽을 걸어 올라가 품목을 찾고 선택할 수 있습니다. 로봇은 컨베이어로 배송된 품목을 선택할 수도 있습니다. 다른 모바일 로봇은 상품 유형 및 수량 검사를 위해 품목을 비전 스테이션으로 운반할 수 있습니다.
Zebra의 FlexShelf 가이드는 상자 크기 및 간격에 대한 유연한 구성을 제공하여 AMR을 사용하여 선택할 수 있는 품목 유형을 확장합니다. 
많은 AMR 및 AGV는 로봇 감지를 위해 ifm의 O3R 플랫폼을 사용합니다. 이는 데이터를 평가하기 위해 NVIDIA Jetson TX2가 탑재된 컴팩트 카메라(VGA 카메라 및 ToF(Time-of-Flight) 센서)와 비전 처리 장치(VPU)로 구성됩니다. 타사 센서를 포함해 최대 6대의 카메라를 Linux 기반 장치에 연결할 수 있습니다.
물류 및 창고 응용 분야는 많은 과제에 직면해 있지만 더 빠른 속도와 더 높은 처리량에 대한 요구는 변함이 없습니다. 문제에는 투명한 폴리 백에 포장된 품목이 포함되며, 이는 빛을 반사하는 방식으로 인해 이미징 문제를 야기합니다. 다른 피킹 작업에는 품목 감지 프로세스의 일부로 색상이 필요할 수 있으며, 이를 위해서는 이미지의 색상 정보를 지원하는 3D 비전이 필요할 수 있습니다.
Leonard에 따르면 모든 3D 카메라는 마이크로미터 범위에서 작동하도록 설계되었으며 산업 환경에서 흔히 발생하는 충격, 온도 변동 및 진동이 쉽게 보정에 영향을 미쳐 3D 카메라 정확도에 영향을 미칠 수 있기 때문에 보정은 큰 과제입니다.
Zivid 3D 카메라와 같은 일부 카메라는 산업 환경에서 작동하도록 특별히 설계 및 제조되었으며 IP65 등급이며 자동 보정 기능을 갖추고 있습니다. 즉, 대형 롤러 셔터 도어(물류 창고에서 흔히 발생)를 열고 닫아 온도가 5도 변하면 카메라가 완벽하게 보정된 상태를 유지하도록 조정됩니다.
LMI Corporation은 배송 시 빠르고 정확한 패키지 크기 측정을 제공하도록 특별히 설계된 초광각 시야 Gocator 2490 센서를 개발했습니다. 상자는 2m/s의 속도로 컨베이어 위에서 이동할 수 있습니다. Howe에 따르면 단일 광시야 Gocator 2490 스마트 센서는 800Hz에서 전체 상자 치수(폭 x 높이 x 깊이)를 1m x 1m의 스캔 영역으로 3차원(x) 모두에서 스캔하고 측정할 수 있습니다. , Y, Z 방향으로 2.5mm 해상도 제공).
Gocator 2490은 다양한 패키지 크기의 치수를 측정할 수 있을 뿐만 아니라 포장의 미묘한 결함까지 감지할 수 있을 만큼 해상도가 높습니다. 이 온라인 검사 기능을 사용하면 결함이 있는 패키지가 감지될 때 합격/불합격 결정을 내릴 수 있습니다.
Gocator 2490은 또한 품목이 들어 있는 열린 패키지를 스캔하고 빈 공간을 채우는 데 필요한 포장 재료의 양을 결정하는 간격 채우기와 같은 고급 포장 응용 분야를 처리할 수 있는 기회를 제공합니다. 이러한 용도의 경우 듀얼 카메라 구성은 상자나 토트 내부의 폐색을 방지하는 데 도움이 됩니다.
물류 분야의 복잡성이 기하급수적으로 증가함에 따라 머신 비전의 적용도 더 많은 과제에 직면해 있습니다. 예를 들어, 고속 컨베이어 벨트에서 무작위 방향으로 다양한 유형의 물체를 감지하려고 하면 기존의 규칙 기반 머신 비전 검사는 이러한 상황에서 어려움을 겪습니다.
그러나 이전에는 어려웠던 애플리케이션을 해결하기 위해 임베디드 플랫폼에서 사용하기 쉬운 기계 학습과 딥 러닝이 등장하고 있습니다. 예를 들어 Cognex가 최근 출시한 In-Sight 2800은 설정이 쉽고 프로그래밍이 필요 없는 엣지 학습 기능을 갖추고 있습니다. 상자부터 여행가방, 비닐봉지까지 모든 것을 빠르고 정확하게 분류하며 전적으로 스마트 카메라에서 실행됩니다.
"In-Sight 2800의 에지 학습과 같은 기술은 패키지 검사 속도를 향상시켜 수동 재작업을 줄이고 고급 자재 처리 자동화를 통해 주문 정확성을 향상시킵니다." Carey가 말했습니다. "우리 고객은 향상된 처리 속도로 이익을 얻습니다. 수동 상호 작용이 줄어들어 이러한 회사는 인원 변경 없이 변동하는 수요를 관리할 수 있습니다. 이는 오늘날 노동력이 부족한 환경에서 여전히 과제로 남아 있습니다."
예를 들어, 대부분의 기술은 2D 및 3D 카메라와 향상된 컴퓨팅 성능을 포함한 현대 창고에서는 이전에 알려진 방법이 반복됩니다. 다소 새로운 점은 애플리케이션을 관리하기 위해 ML의 대규모 처리 능력과 결합된 다중 카메라, 다중 모드 전략에서 이러한 모든 기술을 활용한다는 것입니다.
"우리는 창고에서 단일 공급업체 솔루션을 보곤 했습니다. 이제 각각 고유한 장점을 지닌 여러 공급업체와 기술이 함께 배포되어 문제를 해결하는 것을 볼 수 있습니다. 이러한 접근 방식은 앞으로도 계속될 것입니다. 이전에는 머신 비전이 다루지 않았던 사용 사례를 잠금 해제하고 창고 및 물류 부문에서 머신 비전을 민주화하는 것으로 생각하십시오. 물론, 산업용 카메라는 더 우수하고 반복 가능한 데이터를 제공하며 계산도 더 빠르지만 판도를 바꾸는 것은 없습니다. 가장 큰 발전은 창고 문제를 해결하기 위한 다중 기술 접근 방식에서 구성 요소를 쉽게 사용할 수 있다는 것입니다.
"물류는 로봇 공학의 방향으로 움직이고 있습니다"라고 Place는 결론지었습니다. "로봇 공학은 통합 문제입니다. 머신 비전과 그 복잡성은 단일 카메라 초점에서 벗어나 카메라에 필요한 모든 구성 요소의 통합 마찰을 줄이는 방향으로 이동하고 있습니다. 현대적인 창고에 중점을 두는 접근 방식을 통해 우리는 이 여정의 다음 단계로 나아갈 수 있습니다."
위 내용은 머신 비전과 딥 러닝이 물류 및 창고 운영을 어떻게 개선할 수 있습니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
