Complexe sorteertaken gemakkelijk oplossen
Machine Learning: Hoe u de groeiende cyclus van leegloop intelligent aankunt pakken
Steeds meer nieuwe merken en producten, steeds meer individuele flesontwerpen. De eisen aan een optimaal functionerende en efficiënte logistiek in de drankenindustrie zijn de laatste jaren sterk gestegen en het einde is nog niet in zicht. “Al vele jaren houden wij ons bezig met de logistieke afhandeling van leeggoed. Wij adviseren bedrijven uit de drankenindustrie om hun processen zo eenvoudig en efficiënt mogelijk te maken. Dit vereist sorteersystemen met doordachte en geavanceerde technologie die deze complexiteit aankan,” zegt Martin Brückmann, hoofd van onze vestiging in Kassel.
Intelligente herkenningstechnologie in het hart
De ladingdragers die naar de logistieke centra voor dranken terugkeren, bevatten de meest kleurrijke mixen van alle drankkratten die op de markt of in omloop zijn. Het mengen van de flessen in de kratten is niet minder kleurrijk.
Om deze verscheidenheid aan kratten en flessen in de kortst mogelijke tijd te kunnen detecteren en aan een geschikt doel toe te wijzen, is een betrouwbaar werkende identificatie van cruciaal belang.
Wij ontwikkelen optische herkenningssystemen voor deze taak. Zij vormen het hart van elk sorteersysteem en functioneren met behulp van geavanceerde beeldverwerking. Daartoe maakt onze SCHULZ Crate Inspectorhoge-resolutiebeelden van elke krat en elke fles, samengesteld uit vele afzonderlijke beelden. Via deze beelden kan onze software werkt elke denkbare sorteerwens vervullen.
Automatisch inleren van nieuwe artikelen
Artikelen die niet door het systeem worden herkend, worden automatisch uitgeworpen en moeten vervolgens worden onderhouden.
“Het is waar dat nieuwe producten kunnen worden toegevoegd met de SCHULZ Crate Inspector,” legt onze collega Samuel Kees uit, Data Scientist op de R&D afdeling van de SCHULZ vestiging in Frankfurt am Main. “Toch gaat dit altijd gepaard met een aanzienlijke hoeveelheid programmering, wat de kosten opdrijft bij steeds nieuwe leeggoedvarianten.” Elk nieuw artikel moet immers vanuit allerlei hoeken worden herkend, ook als het vuil is of het etiket beschadigd.
In zijn masterproef onderzocht Samuel Kees hoe zelflerende algoritmen kunnen worden gebruikt om deze techniek te optimaliseren. Het idee: de Crate Inspector uitbreiden met Machine Learning (ML). Eenvoudig gezegd gaat het erom menselijk leergedrag na te bootsen en te automatiseren om het voor specifieke doeleinden te gebruiken. Onze collega vond in zijn onderzoekswerk geschikte gegevens waarmee het algoritme zelfstandig kan trainen en kon uiterst veelbelovende resultaten voorleggen.
Het herkenningspercentage is bijna gelijk. Een analyse van de weinige artikelen die niet correct werden herkend, doet ook vermoeden dat de onjuiste herkenning te wijten is aan een simpele fout in de gegevensreeks. “Daarom kan men ervan uitgaan dat het zelflerende model nog beter zal werken”, zegt hij overtuigd.
Nu is het voor hem een kwestie van de laatste hindernissen uit de weg ruimen en de nieuwe technologie direct bij de klant uitproberen. “Uiteindelijk gaat het erom hoe ML in real time kan worden gebruikt en hoe de continu verworven gegevens onze software kunnen verfijnen.”
Van theorie naar praktijk
Martin Brückmann was van meet af aan overtuigd van de uiterst innovatieve aanpak. “Voor onze klanten in de drankenindustrie betekent de zelflerende technologie een aanzienlijke vermindering van de werkdruk voor veel processen. Niet alleen is het tijdrovende programmeerwerk niet meer nodig.
Wij verwachten ook een snellere verwerking en meer efficiëntie. Een ander voordeel is de permanente zelfoptimalisatie, dat wil zeggen dat het algoritme altijd nieuwe dingen leert. Maar ook de inbedrijfstelling bij de klant verloopt sneller. Er zijn minder handmatige aanpassingen en kalibraties nodig.
Om de bruikbaarheid uitgebreid te testen, heeft ons R&D-team in Frankfurt een sorteerinstallatie met de nieuwe ML-technologie in plaats van conventionele beeldverwerking uitgerust. “De eerste tests lopen zoals verwacht en bevestigen mijn masterproef,” zegt Samuel Kees blij en is er zeker van dat alle andere ook zullen werken zoals gepland. “Maar doorslaggevend zal zijn hoe het nieuwe proces zich direct bij de klant bewijst. Er zijn hier altijd situaties die je niet via praktische pre-tests kunt voorzien.” Maar ook daar heeft hij vertrouwen in.
Onderzoek en ontwikkeling met directe referentie
De eigen R&D vestiging van SCHULZ in de metropool Main biedt ons ideale omstandigheden voor de ontwikkeling van nieuwe technologieën. “Zelfs grote bedrijven kunnen dat vaak niet bijbenen,” legt onze R&D-teamleider Sascha Desch niet zonder trots uit. “Wij ontwikkelen niet abstract onder laboratoriumomstandigheden, maar zijn vanaf het begin direct geïntegreerd in projecten van klanten en werken heel gericht met echte gegevens.”
Door deze directe aansluiting op de praktijk bereiken we maximale efficiëntie voor onze klanten. Dit geeft hen een duidelijk concurrentievoordeel, innovatie-exclusiviteit en toekomstzekerheid.
Veel potentieel voor verdere toepassingen
Samuel Kees ziet nog veel potentieel voor machine learning in andere toepassingen. Niet alleen in de drankenindustrie of waar herkenningstechnologie nodig is. ML is vooral zinvol wanneer de complexiteit van de taak het klassieke programmeerwerk inefficiënt maakt. In het tijdperk van digitale transformatie zijn daar genoeg voorbeelden van.
