Visionsystemer i Palletizing

Visionsystemer til automatiseret palletering bruger 3D-kameraer og machine learning til at identificere, lokalisere og gribe uorganiserede kasser uden behov for mekaniske styreskinner. Vi implementerer disse systemer til at håndtere paller, hvor lasten har forskubbet sig under transporten eller ankommer i tilfældige retninger. En standard blind robot forventer, at hvert emne befinder sig på nøjagtige koordinater. Hvis en kasse blot står to centimeter skævt, vil den blinde robot enten misse sit "pick", mase papkassen eller tabe produktet. Visionsystemer løser dette ved at give automatiseringscellen syn. Systemet danner et topografisk 3D-kort over arbejdsområdet, beregner emnets nøjagtige midtpunkt og justerer robottens bevægelse på få millisekunder.

Hvorfor blinde robotter fejler på dynamiske linjer

Fast automatisering fungerer perfekt, når omgivelserne aldrig ændrer sig. Hvis produkterne kommer rullende på et transportbånd, perfekt linet op og med præcis afstand, kan en blind robot palletere dem hele dagen. Men produktionslinjer kører sjældent under perfekte forhold.

I de automatiseringsceller, vi evaluerede gennem 2023, oplevede produktionslinjer, der var afhængige af blinde robotter til depalletering, hyppige mikrostop. Vores erfaring viser, at pallelast kan forskubbe sig op til fem centimeter under lastbiltransport. Når en operatør placerer den forskubbede palle i en blind robotcelle, kører robotten sin vakuum-gribber ned baseret på foruddefinerede koordinater, hvilket resulterer i en øjeblikkelig fejl.

Historisk set har produktionsingeniører løst problemet med mekaniske guider. De installerede metalskubbere, sidevanger og pneumatiske cylindre for fysisk at tvinge kasserne ind i et bestemt hjørne, før robotten forsøgte at samle dem op. Denne tilgang optager værdifuld gulvplads, begrænser systemet til specifikke kassestørrelser og kræver manuelle justeringer, hver gang fabrikken skifter emballage.

Visionsystemer fjerner behovet for fysisk indretningshardware fuldstændigt. Kameraet fungerer som den ultimative, fleksible sensor, der tilpasser sig det, der faktisk befinder sig på pallen, frem for det, der burde være der.

Kernekompetencer ved integration af 3D-kameraer

At tilføje et kamera til en industrirobot kræver mere end bare at bolte en sensor fast på en ramme. Visionsystemet udfører en specifik sekvens af opgaver for hver eneste gribecyklus. Vi konfigurerer disse systemer til at behandle visuelle data øjeblikkeligt, så robotten aldrig stopper i sin bevægelse.

1. Det overhængende kamera projicerer et struktureret lysmønster på det øverste lag af pallen for at måle den præcise dybde.
2. Vision-softwaren analyserer den resulterende "point cloud" for at detektere kanterne på de enkelte kasser.
3. Systemet identificerer den øverste kasse for at sikre, at robotten ikke rammer de tilstødende emner under indløbet.
4. Softwaren beregner det præcise massemidtpunkt og rotationsvinklen for den valgte kasse.
5. Robotstyringen modtager de opdaterede koordinater og justerer gribeværktøjet i realtid.

Hastighed er præcis lige så vigtig som nøjagtighed på en produktionslinje.

Disse beregninger sker på cirka 300 til 500 millisekunder. Da systemet behandler billedet af den næste kasse, mens robotten er i gang med at placere den nuværende kasse på transportbåndet, tilføjer vision-behandlingen ingen forsinkelse (latency) til den samlede cyklustid. Robotten bevæger sig kontinuerligt og samler op til 12 emner op i minuttet, afhængigt af emnets vægt og transportafstanden.

Hardware vs. software i visionsystemer

Den tunge billedbehandling foregår ikke inde i selve kameraet. Det fysiske kamera er blot en dataindsamlingsenhed. Det indsamler pixelinformation og dybdemålinger og sender derefter de rå data via et gigabit-ethernetkabel til en industri-PC.

Det er softwaren på den PC, der udfører det egentlige arbejde. Den fjerner baggrundsstøj, filtrerer pallestrukturen fra og isolerer kasserne. Hvis man pakker en palle ind i blank strækfilm, har standardkameraer ofte udfordringer, fordi refleksionerne kaster lysstrålen i den forkerte retning. Vi håndterer dette i softwaren ved at justere eksponeringstiden og filtrere de spredte datapunkter fra.

Denne arbejdsdeling er grunden til, at integration er så vigtig. Man kan købe det dyreste 3D-kamera på markedet, men uden den rette software til at analysere "point cloud"-dataene, vil robotten stadig ikke vide, hvor den skal gribe fat. Vi løser dette ved at bygge bro mellem hardwaren og baneplanlægningen gennem specialiserede platforme, herunder mix-palletering og SmartPack-Nordic software. Dette gør det muligt for systemet at beregne optimale gribesekvenser for blandede paller, hvor kasser i forskellige størrelser og vægtklasser befinder sig i samme lag.

Håndtering af uorganiserede kasser og forskubbet last

Depalletering af blandet last er den ultimative test af et visionsystem. Når leverandører stabler forskellige varenumre på én palle, varierer højderne, kasserne overlapper, og opbygningen følger sjældent et forudsigeligt mønster.

I disse scenarier dikterer visionsystemet adfærden for robottens "end-of-arm tool". En standard-gribber kan have fire uafhængige vakuumzoner. Når kameraet identificerer en lille kasse på 200 millimeter i bredden, giver softwaren robotten besked på kun at aktivere den midterste vakuumzone. Hvis den næste kasse er 400 millimeter bred, aktiverer systemet alle fire zoner for at sikre et stabilt greb.

Når vi gennemgår manuelle depalleteringsstationer, bruger operatører ofte op til 30 % af deres tid på blot at sortere i uorganiserede kasser for at finde det rigtige emne til transportbåndet. Ved at automatisere denne proces med 3D-vision elimineres den sorteringstid fuldstændigt. Kameraet scanner hele laget, identificerer alle tilgængelige emner og vælger det letteste mål først. Hvis en kasse sidder for stramt mod nabokassen, markerer softwaren den og dirigerer robotten til at tage en anden kasse først, hvilket skaber plads til sikkert at hente den fastklemte kasse i næste omgang.

Denne dynamiske baneplanlægning forhindrer robotten i at kollidere med pallekanten eller skubbe tilstødende kasser ned på gulvet.

Måling af det økonomiske udbytte ved vision

Industri- og produktionsvirksomheder evaluerer automatisering baseret på ROI. Tilføjelsen af et 3D-visionsystem øger de indledende anlægsomkostninger for en robotcelle sammenlignet med en blind opsætning. De operationelle besparelser retfærdiggør dog konsekvent udgiften og leverer typisk fuld ROI inden for et til fire år.

De mest betydningsfulde besparelser kommer fra fleksibiliteten. Når en fødevareproducent introducerer en ny emballagestørrelse, kræver en blind automatiseringscelle, at en tekniker kommer forbi, omskriver koordinatprogrammet og fremstiller nye mekaniske guider. Den proces koster penge og medfører timers nedetid på linjen. Med et visionsstyret system taster driftslederen blot dimensionerne på den nye kasse ind i touchskærmen. Kameraet genkender øjeblikkeligt den nye form, og produktionen genoptages.

Vi ser, hvordan denne tilpasningsevne fuldstændig ændrer måden, virksomheder planlægger deres linjer på. Ved at gennemgå tidligere automatiseringsprojekter og kundecases, er mønsteret tydeligt: Virksomheder, der investerer i vision fra starten, bruger betydeligt mindre på vedligeholdelse, fremstilling af fiksturer og omprogrammering over en femårig livscyklus. Systemet tilpasser sig automatisk det dynamiske fabriksmiljø og holder gennemløbet højt, selv når de forudgående processer ikke leverer perfekte paller.

---

Ofte stillede spørgsmål

Hvordan påvirker fabriksbelysningen 3D-visionsystemer?

Moderne industrielle 3D-kameraer bruger aktiv lysprojektion, hvilket gør dem yderst modstandsdygtige over for ændringer i det omgivende lys. De projicerer deres eget infrarøde eller strukturerede lysmønster på pallen, hvilket betyder, at man ikke behøver at bygge mørkekamre eller installere dedikeret loftslys for at få robotcellen til at fungere præcist.

Kan et visionsystem håndtere reflekterende emballage?

Ja, men det kræver specifikke sensorkonfigurationer og softwarefiltrering. Standardsensorer kæmper med blank tape eller strækfilm, da refleksionerne spreder lysstrålen, så vi bruger billedbehandling med højt dynamikområde (HDR) og justerer eksponeringstiderne i softwaren for at filtrere de spredte refleksioner fra og kortlægge kassens kanter præcist.

Hvad er cyklustiden for en visionsstyret palleteringsrobot?

De fleste visionsstyrede palleteringsrobotter kører med mellem 8 og 12 "picks" i minuttet. Kameraet bruger cirka 300 til 500 millisekunder på at optage og behandle billedet, men denne proces sker sideløbende med, at robotten bevæger sig. Det betyder, at visionsystemet ikke sænker den fysiske gribecyklus.

Kræver visionsystemer konstant re-kalibrering?

No, et fastmonteret kamerasystem kræver kun kalibrering, hvis selve monteringsbeslaget flytter sig. Når vi har etableret basiskoordinaterne mellem kameraet og robottens fod under den indledende installation, opretholder softwaren den rumlige bevidsthed på ubestemt tid uden behov for daglige justeringer.

Start med at undersøge jeres nuværende fejlrate forårsaget af forskubbet last; hvis der opstår stop mere end to gange pr. skift, bør I opgradere til en kamerastyret løsning frem for at tilføje flere mekaniske styreskinner. Book en gennemgang af jeres linje via vores kontaktside for at komme i gang i dag.