Komplexe Sortieraufgaben einfach lösen
MACHINE LEARNING: WIE MAN DEM WACHSENDEN LEERGUTKREISLAUF INTELLIGENT BEGEGNET
Immer mehr neue Marken und Produkte, immer individueller werdende Flaschendesigns. Die Anforderungen an eine optimal funktionierende und effiziente Logistik in der Getränkeindustrie sind in den letzten Jahren stark gestiegen und ein Ende dessen nicht absehbar. „Seit vielen Jahren befassen wir uns mit der Abwicklung der Leergutlogistik. Wir beraten Unternehmen aus der Getränkebranche, wenn es darum geht, ihre Prozesse so einfach und effizient wie möglich zu gestalten. Dafür braucht es Sortieranlagen mit gut durchdachter und ausgefeilter Technik, die mit dieser Komplexität klarkommt“, so Martin Brückmann, Leiter unseres Standortes in Kassel.
Intelligente Erkennungstechnik als Herzstück
Die zu den Getränkelogistik-Centern zurückkommenden Ladungsträger enthalten die buntesten Mischungen aus allen im Handel oder im Umlauf befindlichen Getränkekisten. Die Durchmischung der in den Kästen stehenden Flaschen ist dabei nicht weniger farbenfroh.
Um diese Vielfalt an Kästen- und Flaschentypen in kürzester Zeit erfassen und einem geeigneten Ziel zuordnen zu können, ist eine sicher funktionierende Identifikation entscheidend.
Für diese Aufgabe entwickeln wir optische Erkennungssysteme. Sie sind das Herzstück jeder Sortieranlage, die mittels modernster Bildverarbeitung funktionieren. Dazu macht unser SCHULZ Crate Inspector von jeder Kiste und jeder Flasche hochauflösende Aufnahmen, die sich aus vielen Einzelbildern zusammensetzen. Mit diesen Bildern arbeitet unsere Software und kann jeden erdenklichen Sortierwunsch erfüllen.
Automatisches Einlernen neuer Artikel
Vom System nicht erkannte Artikel werden automatisch ausgeschleust und müssen nachgepflegt werden.
„Zwar lassen sich mit dem SCHULZ Crate Inspector neue Produkte hinzufügen“, erklärt unser Kollege Samuel Kees, Data Scientist in der F&E-Abteilung am SCHULZ-Standort in Frankfurt am Main. „Dennoch ist damit stets ein erheblicher Programmieraufwand verbunden, der mit immer neuen Leergutvarianten die Kosten in die Höhe treibt.“ Schließlich muss jeder neue Artikel aus den unterschiedlichsten Blickwinkeln erkannt werden, auch wenn er Verschmutzungen aufweist oder das Etikett beschädigt ist.
In seiner Masterarbeit untersuchte Samuel Kees, wie man durch selbstlernende Algorithmen diese Technik optimieren kann. Die Idee: den Crate Inspektor mit Machine Learning (ML) zu erweitern. Vereinfacht gesagt geht es darum, menschliches Lernverhalten nachzuahmen und zu automatisieren, um es für bestimmte Zwecke zu nutzen. Geeignete Daten, mit denen der Algorithmus selbstständig trainieren kann, fand unser Kollege in seiner Forschungsarbeit und konnte überaus erfolgsversprechende Ergebnisse präsentieren.
Die Erkennungsrate ist nahezu gleichwertig. Eine Analyse der wenigen, nicht richtig erkannten Artikel legt zudem nahe, dass die fehlerhafte Erkennung auf einen simplen Fehler im Datensatz zurückzuführen ist. „Daher kann man davon ausgehen, dass das selbstlernende Modell noch besser funktioniert“, ist er sich sicher.
Seither geht es für ihn darum, die letzten Hindernisse aus dem Weg zu räumen und die neue Technologie direkt beim Kunden auszuprobieren. „Im Endeffekt dreht sich alles um die Frage, wie sich ML in Echtzeit nutzen lässt und wie die kontinuierlich gewonnenen Daten unsere Software verfeinern können“.
Von der Theorie in die Praxis
Martin Brückmann hat der überaus innovative Ansatz von Anfang an überzeugt. „Für unsere Kunden aus der Getränkebranche bedeutet die selbstlernende Technologie eine beachtliche Arbeitserleichterung bei vielen Prozessen. Nicht nur die aufwändige Programmierarbeit entfällt.
Wir versprechen uns ebenso eine schnellere Abwicklung und mehr Effizienz. Ein weiterer Pluspunkt liegt ja in der permanenten Selbstoptimierung, sprich der Algorithmus lernt immer wieder hinzu.“ Aber auch die Inbetriebnahme beim Kunden selbst läuft schneller. Es müssen weniger manuelle Einstellungen und Kalibrierungen vorgenommen werden.
Um die Praxistauglichkeit ausgiebig zu testen, stattete unser Frankfurter F&E-Team eine Sortieranlage statt mit herkömmlicher Bildverarbeitung mit der neuen ML-Technik aus. „Die ersten Tests laufen wie erwartet und bestätigen meine Masterarbeit“, freut sich Samuel Kees und ist sich sicher, dass auch alle weiteren wie geplant funktionieren. „Aber entscheidend wird sein, wie sich das neue Verfahren direkt beim Kunden vor Ort bewährt. Hier gibt es immer wieder Situationen, die man durch praktische Vorabtests nicht voraussehen kann.“ Aber auch da ist er zuversichtlich.
Forschen und entwickeln mit direktem Bezug
Mit dem SCHULZ-eigenen F&E-Standort in der Mainmetropole verfügen wir über ideale Bedingungen, um neue Technologien voranzubringen. „Da können selbst große Konzerne oft nicht mithalten“, erklärt unser Teamleiter F&E, Sascha Desch, nicht ohne Stolz. „Wir entwickeln nicht abstrakt unter Laborbedingungen, sondern sind von Anfang an direkt in Kundenprojekte integriert, arbeiten ganz gezielt mit echten Daten.“
Durch diese unmittelbare Verzahnung mit der Praxis erreichen wir für unsere Kunden ein Maximum an Effizienz. Das verschafft ihnen einen deutlichen Wettbewerbsvorteil, Innovationsexklusivität und Zukunftssicherheit.
Viel Potential für weitere Anwendungen
Für Machine Learning sieht Samuel Kees indes noch viel Potenzial bei weiteren Anwendungen. Nicht nur in der Getränkebranche oder wo Erkennungstechnik gebraucht wird. Es macht ML überall dort Sinn, wo die Komplexität der Aufgabenstellung klassische Programmierarbeit ineffizient macht. Und dafür gibt es im Zeitalter des digitalen Wandels reichlich Beispiele.
