Der Lebensmittelhandel gehört zu den preislich am härtesten umkämpften Märkten überhaupt – effiziente Prozesse, insbesondere auch in der Logistik, spielen deshalb eine wichtige Rolle. In einem Großprojekt, mit dem das Zentrallager eines führenden Lebensmittelhändlers automatisiert wurde, sorgen FRAMOS-Lösungen an verschiedenen Verarbeitungsstationen mit Bildverarbeitung und selbstlernenden Algorithmen/Klassifikatoren für reibungslose Prozesse. So können zum Beispiel die Anlagen in der Leergutzentrale verschiedenste Gebindetypen erkennen und entscheiden, in welche Waschstraße sie gefahren werden müssen, selbst wenn diese stark verschmutzt oder mit großen Aufklebern beklebt sind.
Innerhalb der Lieferkette des Logistikzentrums einer Schweizer Supermarktkette werden momentan 4 unterschiedliche Sortier- und Erkennungsaufgaben mit Hilfe des Framos Know Hows (Sorting Intelligence) und eigens entwickelten Anlagenkonzepten gelöst. Diese können beispielhaft für die Logistikautomatisierung und das dahinterliegende Optimierungspotenzial innerhalb des Einzel- und Versandhandelsgeschäftes gesehen werden.
1) Frischwaren-Anlieferung: Gebindetypen identifizieren
Klassischerweise werden Frischwaren verschiedener Produzenten in Mehrweg-Behältern unterschiedlichster Ausprägung, sogenannten „Gebinden“, im Logistikzentrum angeliefert. Im Bereich der Frischelogistik ist das ein sogenannter Kälteautomat, ein auf drei Grad herunter gekühltes Gebäude, in dem die ankommenden Waren über eine Fördertechnik herein laufen. Die auf Rollwägen aufgetürmten Gebinde werden ins Lager gefahren und müssen dort zur Einlagerung entstapelt werden. In einem Gebindeturm können dabei Gebinde unterschiedlichen Typs vorkommen, lediglich nebeneinander befindliche Behälter auf der gleichen Lage im Gebindeturm sind von der gleichen Sorte.
Das Entstapeln der knapp zwei Meter hohen Gebindetürme wird über einen Klemmförderer am oberen Ende eines Hebeautomaten realisiert. Damit dieser Prozess richtig funktioniert, muss der Gebindetyp der jeweils obersten und der darunterliegenden Lage erkannt werden. Hier kommt das erste der FRAMOS-Systeme zum Einsatz: Mittels 6 LED-Barlights der Firma Falcon wird eine Dunkelfeld-Beleuchtung realisiert, die die Griffmulden und Durchbrüche in den Gebindenwänden hervorhebt. Eine 1,3MP-Kamera der Firma Smartek (GC1391M) generiert eine Aufnahme der jeweils obersten zwei Lagen des Gebindeturms und führt diese dem Machine-Learning-Klassifikator zu. Dieser kann, basierend auf zuvor „gelernten“ Aufnahmen, die Gebinde in diesen Lagen klassifizieren. Anschließend werden die Ergebnisse an die Anlagensteuerung übermittelt, die oberste Lage entstapelt und anschließend weiter vereinzelt. Der Gebindeturm wird dann um die jetzt bekannte Höhe der nächsten Lage angehoben und der Prozess beginnt von vorne, bis keine Lagen mehr vorhanden sind und der Turm komplett entstapelt ist.
Durch den Einsatz lernender Algorithmen ist es dem FRAMOS-System möglich selbst jene Gebinde korrekt zu klassifizieren, die zu großen Teilen von Papieretiketten verdeckt sind, Beschädigungen aufweisen oder stark verschmutzt sind. Aktuell können so 20 verschiedene Gebindetypen robust und zuverlässig klassifiziert werden. Ein weiterer großer Vorteil des gewählten Ansatzes besteht darin, dass mit geringem Aufwand neue Gebinde zu den vorhandenen Typen hinzugefügt werden können. Dazu ist es lediglich nötig, in einer „Lernphase“ Bilder der neuen Gebinden in der Anlage zu generieren und einzulernen. Mit einer regelbasierten Klassifizierung wäre dabei sehr schnell die Grenzen der Machbarkeit erreicht.
Nutzen: Durch den Einsatz lernender anstatt regelbasierter Klassifikatoren können trotz hoher Variationsvielfalt innerhalb einer Klasse bei einer gleichzeitig hohen Klassenanzahl robuste Klassifikationsergebnisse erzielt werden und ist somit ideal geeignet für vielzählige Sortieraufgaben in der Logistik.
 |
 |
2) Leergutzentrale: Ifco-Gebinde automatisch entfalten
Obst und Gemüse wird bei diesem Schweizer Unternehmen in faltbaren Mehrwegbehältern, sogenannten IFCO-Gebinden an die Filialen ausgeliefert und nach Entnahme der Waren gefaltet und gestapelt zurückgesandt. Es gibt dabei „halbe“ und „ganze“ dieser Kunststoff-Normgebinde mit jeweils 300mm bzw. 600 mm Länge, wobei nur halbe Leergebinde auf ganze gestapelt werden können und nicht umgekehrt. Die leeren Boxen kommen als Turm von bis zu 1,80 Höhe im der Leergutzentrale an und müssen hier zur weiteren Verarbeitung wiederum automatisiert entstapelt werden. Die hierfür eingesetzte 3-Achs-Roboter-Anlage benötigt dazu die genaue Anzahl an Lagen ganzer Gebinde im unteren Bereich und die Anzahl an Lagen halber Gebinde im oberen Bereich des Gebindeturms. Dafür wird durch das FRAMOS Messsystem eine Laserlinie vertikal über die gesamte Stapelhöhe projiziert und das so entstehende Profil durch eine 5MP-CCD-Kamera (Smartek GC2441) mit Bandbreiten-Filter aufgenommen. Durch das spezifische Muster der ganzen und halben Kisten und an allen Übergängen, ist eine robuste Unterscheidung der Gebindetypen und die Lagenzählung möglich. Diese Informationen werden der Robotersteuerung vor jedem Greifvorgang übermittelt.
Der Roboter kann so sortenreine Stapel bauen, die dann automatisch auf den Weg in die jeweilige Waschstraße gebracht werden. Insgesamt sind in diesem Logistikprojekt zwei Ifco-Entstapler im Einsatz.
Nutzen: Durch den Einsatz von Linienlaser und Bandbreitenfilter wird eine hohe Robustheit gegenüber Änderungen in der Umgebungsbeleuchtung aber auch Variationen in der Objektrepräsentation wie Verschmutzung oder Farbänderungen erreicht. Die hohe Auflösung der Kamera ermöglicht eine robuste Auswertung der Laserlinie über die gesamte Stapelhöhe.
3) Interne Waschung: Gebindesortierung vor der Waschstraße
Neben den IFCO-Behältern müssen auch alle anderen, nicht faltbaren Gebindetypen in der Leergutzentrale sortiert werden. Eine Aufgabe besteht darin, die drei verschiedenen unternehmenseigenen Gebinde von den Gebinden anderer Hersteller zu trennen, damit diese vor der Wiederverwendung gewaschen werden können. Dazu wurden FRAMOS VLG Dimensionsmesssysteme in insgesamt acht Fördertechniklinien integriert. Diese bestehen aus jeweils einem horizontalen sowie einem vertikalen Lichtgitterpaar. Bei Passage eines Objektes durch den so aufgespannten Lichtvorhang wird ein Teil der Linien blockiert und man erhält so die Konturinformation des Messobjekts. Alle vorkommenden Gebinde passieren eines der Volumen-Licht-Gitter mit einer Geschwindigkeit von 0.65 m/s. Das VLG erfasst die äußeren Abmessungen sowie das Durchbruchmuster. Zwei der drei hauseigenen Gebinde können rein durch ihre Abmessungen von allen Lieferantengebinden unterschieden werden. Die dritte Gebindeart jedoch hat Standardmaße und unterscheidet sich nur durch die seitliche Musterstruktur von Gebinden fremder Hersteller. Durch eine effiziente Merkmalsextraktion dieses Durchbruchmusters konnte ein Deskriptor generiert werden, der eine robuste Klassifizierung des Gebindetyps ermöglicht, ohne dass Verschmutzungen oder Verdeckung von Teilbereichen die Klassifikation beeinträchtigt.
Für jedes Gebinde, dass die Messstationen passiert, wird ein Ergebnis an die Anlagensteuerung und den verbunden Pusher übertragen, der die hauseigenen Gebinde vom Förderband schiebt.
Nutzen: Der Einsatz der Framos VLG Volumenmesssysteme ermöglichte eine einfache, extrem robuste und leicht zu wartende Alternative zu einer kamerabasierten Typenerkennung. Speziell konnte dadurch auch der Softwareentwicklungsaufwand minimiert werden.
4) Leergutzentrale: Gebinde in Hochgeschwindigkeit klassifizieren und sortieren
Nach der Aussortierung der hauseigenen Gebinde müssen die Fremdgebinde sortiert werden, um Sie an die jeweiligen Lieferanten zurückzuschicken. Insgesamt handelt sich es sich um 16 verschiedene Gebindetypen, von denen sich viele nicht allein durch die Außenmaße unterscheiden lassen. In dieser Hochgeschwindkeitsanlage (1,75 m/s) ist das derzeit schnellste Lichtgittersystem von FRAMOS, das VLG SHS (Super High Speed) verbaut, mit welchem eine Längenauflösung von unter 3 mm erreicht wird. Zusätzlich zur Analyse der Dimensionen und der Durchbruchmuster wird in dieser Messstation auch eine Farbkamera eingesetzt, da sich einige Gebinde nur durch die Farbe unterscheiden lassen. Hierbei werden hohe Anforderungen an die Reproduzierbarkeit der Farberkennung gestellt, da sich die Farbe der Gebinde durch Jahre intensiven Gebrauchs, Verschmutzungen und aufgeklebte Etiketten auch innerhalb einer Klasse stark unterscheiden kann.
Das Ergebnis der Klassifizierung wird an die Steuerung übertragen, die das Gebinde der korrekten Ausschleusbahn zuordnet. Am Ende baut ein Roboter neue, sortenreine Türme. So nach Größen geordnet, werden die Gebinde im Anschluss zurück zum jeweiligen Lebensmittelhersteller geschickt.
Nutzen: Die gleichen Algorithmen wie in der Typenerkennung der Gebindewaschstraße konnten auch hier wieder erfolgreich eingesetzt werden und musste lediglich um einen robusten Farbdeskriptor erweitert werden.
