Viziune Artificială în AIDC

Viziunea artificială aduce ochiul unei camere în capturarea datelor, permițând unui sistem să citească coduri de bare, să recunoască text, să inspecteze calitatea și chiar să identifice obiecte după formă sau culoare — toate fără ca un operator uman să îndrepte un scaner. Pe măsură ce rezoluția camerelor și puterea de procesare s-au îmbunătățit, sistemele de viziune au trecut de la stații de control al calității de nișă la o metodă AIDC de masă, care concurează direct cu scanarea portabilă în medii cu debit mare.

Sistemele de viziune montate fix sunt instalate deasupra benzilor transportoare, la scanere de tip tunel sau pe liniile de ambalare, capturând fiecare articol care trece, fără un operator în buclă. Excelează la citiri repetitive de mare viteză — centrele de sortare procesează în mod curent mii de colete pe oră prin ansambluri de camere montate deasupra, care citesc coduri de bare din orice orientare. Camerele de pe scanerele portabile și computerele mobile, în schimb, oferă lucrătorilor flexibilitatea de a captura ad-hoc imagini, documente sau coduri oriunde s-ar afla, sacrificând debitul brut pentru mobilitate.

OCR extrage text lizibil pentru mașină direct dintr-o imagine — citind un număr de lot tipărit pe o cutie, un VIN pe șasiul unui vehicul sau blocul de adresă al unei etichete de expediere, fără ca acele date să existe deloc într-un cod de bare. Motoarele OCR moderne combină tehnicile tradiționale de segmentare a caracterelor cu modele de machine learning antrenate pe text distorsionat, cu contrast slab sau înclinat, îmbunătățind substanțial acuratețea pe etichete reale, murdare, curbate sau parțial acoperite, comparativ cu abordările vechi bazate pe potrivire de șabloane.

Dincolo de citirea codurilor, viziunea artificială realizează verificări dimensionale, detecția defectelor de suprafață, verificarea prezenței/absenței (dopul este pe sticlă, blisterul este plin) și potrivirea culorilor, toate la viteza liniei și cu o consistență pe care niciun inspector uman nu o menține pe parcursul unei ture de opt ore. Modelele de viziune bazate pe deep learning au făcut practic antrenarea unui clasificator de defecte pe un set de imagini exemplu, în loc de codarea manuală a unor reguli geometrice pentru fiecare defect posibil, ceea ce scurtează timpul de implementare pentru produse noi.

Unele sisteme de viziune merg mai departe de citirea unui cod tipărit: identifică un produs după forma generală și grafica ambalajului (util atunci când un cod de bare lipsește, este deteriorat sau orientat invers față de scaner) sau măsoară dimensiunile unui colet și greutatea în mișcare pentru facturarea transportului și planificarea spațiului cubic, înlocuind ruleta de măsurat manuală și cântarele statice.

• Controlul iluminării este cel mai important factor pentru fiabilitatea sistemului de viziune — lumina ambientală inconsistentă provoacă mai multe eșecuri decât limitele de rezoluție ale camerei
• Poziționarea camerei trebuie să țină cont de întreaga gamă de orientări ale produsului pe care linia le va prezenta efectiv
• Sistemele de viziune costă de regulă mai mult inițial decât scanerele laser de coduri de bare, dar se scalează mai bine pe linii nesupravegheate, de mare viteză
• Combinarea citirii OCR/cod de bare prin viziune cu o stație manuală de rezervă menține debitul stabil când un articol neobișnuit învinge captarea automată

Viziunea artificială este tot mai des alegerea implicită acolo unde un proces este staționar și de volum mare, în timp ce scanarea portabilă și vocea rămân preferate pentru sarcini mobile, variabile, precum picking-ul și așezarea pe raft.