Système de tri de colis et paquets alimenté par l'IA : Efficacité accrue et main-d'œuvre réduite

La singularisation manuelle d'énormes piles de colis et d'enveloppes, suivie de leur tri et de leur placement sur un tapis roulant, devient ardue, particulièrement lors des pics d'activité. L'automatisation de ce processus augmente la productivité, réduit les coûts et les délais, et diminue les risques de blessures. Un système robotique de singularisation et de tri propulsé par l'intelligence artificielle devient une nécessité pour les entreprises logistiques souhaitant suivre la demande croissante du e-commerce.

La singularisation manuelle : une pratique dépassée ?

Les flux de colis connaissent de fortes fluctuations tout au long de l'année, avec des pics autour du Black Friday et de la période de Noël. Les volumes mondiaux de colis croissent généralement jusqu'à 25 % par an.

L'épidémie de COVID-19 a également mis à l'épreuve l'exécution des commandes dans les délais. La dépendance accrue au e-commerce a augmenté la demande de capacité, entraînant une hausse des coûts opérationnels liée non seulement au recrutement de davantage d'employés, mais aussi au processus d'embauche lui-même. Des périodes normalement les plus rentables d'un point de vue commercial deviennent ainsi les plus difficiles.

Outre les exigences de débit et les pics de demande, la santé et la satisfaction des travailleurs posent problème pour la singularisation et le tri manuels. Les employés font face à l'ennui des tâches répétitives, ainsi qu'aux risques de blessures lors de la manipulation d'objets lourds et irréguliers. Cela peut engendrer des frais d'indemnisation et une baisse de productivité.

La vision et la robotique à la rescousse

Ces défis peuvent être relevés en automatisant le processus de singularisation et de tri, ce qui rend les coûts plus prévisibles et assure une évolutivité face aux pics de demande.

L'automatisation la plus avancée combine aujourd'hui vision 3D, algorithmes d'IA et compatibilité avec les grandes marques de robots. Il est également possible de mesurer la qualité et le succès d'un système de pick-and-place particulier. Prenons des exemples concrets. Comment une entreprise peut-elle bénéficier de l'implémentation d'un système automatisé si elle doit singulariser et trier de gros volumes non structurés de colis ?

Par exemple, Photoneo intègre une vision 3D développée en interne avec des algorithmes permettant aux robots de prélever plus de 2 250 colis par heure. Le système de vision fournit des données 3D précises et permet une localisation exacte, aboutissant à une précision de préhension de +/- 3 mm.

Le système de singularisation et de tri de Photoneo repose sur un réseau de neurones pré-entraîné capable de reconnaître les colis « out of the box », sans aucun entraînement, pour un taux de succès de prélèvement de 95 %.

Les 5 % restants sont dus aux propriétés mécaniques et aux matériaux des colis. Par exemple, si un objet a une surface froissée ou est en tissu, il peut glisser du préhenseur et devoir être repris. De tels objets sont toujours prélevés avec succès au second essai, selon Photoneo. L'entreprise affirme atteindre un temps de cycle inférieur à 1,5 seconde, avec une compatibilité sur une gamme de marques de robots.

Mode mono-scan versus mode multi-prélèvement

La vitesse de performance dépend du mode de numérisation choisi. En mode mono-scan, le système effectue un scan, traite les données, localise un objet et envoie une commande au robot pour le prélever. Ce processus se répète pour chaque objet. Le délai de traitement est généralement de 0,5 seconde maximum.

Une autre option est le mode multi-prélèvement : le scanner/caméra effectue un scan, le système reconnaît tous les objets prélevables, et le robot les saisit les uns après les autres sans interruption. Le nombre de scans peut être ajusté selon l'application. Comme il n'y a pas de délai de traitement en mode multi-prélèvement, la performance est plus rapide, et le temps de cycle n'est limité que par la vitesse du robot.

Vision et intelligence

La qualité des données 3D détermine le succès d'une solution automatisée de singularisation et de tri. On peut avoir le système le plus intelligent, mais sans de bonnes données 3D sur lesquelles s'appuyer, son résultat sera inutilisable. Une bonne caméra 3D doit fournir haute résolution et précision, grand volume de numérisation et profondeur de champ, ainsi qu'une vitesse de numérisation élevée.

D'autres facteurs importants sont la capacité à supprimer la lumière ambiante et la performance « plug-and-play ». Si la caméra 3D déployée offre toutes ces caractéristiques, le système obtient suffisamment de données pour que l'IA les traite et localise chaque objet avec succès.

L'approche la plus moderne pour la segmentation et la localisation de colis alimentées par l'IA utilise des réseaux de neurones convolutifs, qui ont progressé considérablement ces dernières années. Ces réseaux peuvent reconnaître colis, enveloppes et même sacs de toute forme, texture et matériau, ainsi que leurs dimensions, position et orientation.

Les meilleures solutions reposent sur des algorithmes entraînés sur d'énormes bases de données d'objets, leur permettant de généraliser aisément et de reconnaître rapidement de nouveaux types d'objets jamais vus auparavant. Plis, déformations et autres irrégularités ne doivent pas entraver une reconnaissance rapide.

Après détection et localisation réussies, le robot reçoit l'ordre de prélever un objet précis pour le placer à un emplacement prédéfini, tel qu'un tapis roulant.

Principaux défis de la singularisation

Les développeurs de systèmes robotiques de singularisation font face à de nombreux défis. Un problème majeur pour la vision 3D est posé par les surfaces brillantes ou réfléchissantes, contenant divers motifs et images, ou de couleur noire. Les variations de texture causent aussi des difficultés. Les colis sont généralement empilés de manière non structurée, se chevauchant, ce qui complique leur localisation.

L'un des plus grands défis réside dans la nature des sacs : leur forme est déformée, pleine de plis et de froissements, ce qui rend extrêmement difficile leur préhension par un préhenseur robotique. C'est pourquoi il est essentiel de combiner vision 3D de haute qualité et algorithmes d'IA avancés : seule cette combinaison puissante peut relever de manière fiable tous les défis ci-dessus.

Étendre le champ d'applications

L'utilisation d'une solution d'automatisation alimentée par l'IA ne se limite pas à la simple singularisation et au tri de colis. Si une caméra 3D peut scanner des scènes en mouvement avec haute qualité et vitesse, il devient possible de mesurer les colis à la volée et de les trier selon leur taille ou d'autres critères.

Par exemple, la MotionCam-3D de Photoneo, capable de capturer des objets se déplaçant jusqu'à 40 m/s, atteint une précision de mesure de 1 cm et fournit une résolution de carte de profondeur de ~2 Mpx et 15 millions de points 3D/seconde.

Les systèmes combinant IA et vision 3D peuvent également servir à déplier ou déballer des enveloppes et colis froissés — et effectuer virtuellement des transformations géométriques — pour améliorer la lisibilité de l'OCR pour le traitement ultérieur. Certains de ces systèmes permettent aussi le tri des colis en fonction de codes-barres.

Les applications et capacités de ces systèmes évoluent avec les avancées de l'IA et de la vision machine, mais aussi avec les demandes du marché qui orientent ce développement.

La singularisation robotique augmente la sécurité, la productivité et la fiabilité, tout en réduisant significativement les coûts. L'automatisation est devenue un outil crucial pour optimiser les processus logistiques. Entrepôts et centres de distribution ont peiné à retenir leurs employés face aux énormes augmentations de flux de colis pendant les fêtes et maintenant avec le e-commerce durant la pandémie de COVID-19. Le déploiement de robots intelligents guidés par la vision pour la singularisation et le tri de flux massifs et non structurés de colis est la réponse à ces défis.

Cet article a été publié à l'origine dans The Robot Report sous le titre : « How singulation and sorting of parcels can benefit from AI-powered robots ».