Sistema de clasificación de paquetes y sobres impulsado por IA: Aumenta la eficiencia y reduce la mano de obra

La separación manual de grandes montones de paquetes y sobres, seguida de su clasificación y colocación en una cinta transportadora, resulta todo un reto, especialmente durante los picos de demanda. La automatización de este proceso puede aumentar la productividad, ahorrar costes y tiempo, y reducir lesiones. Un sistema robótico de separación y clasificación impulsado por inteligencia artificial se está convirtiendo en una necesidad para las empresas de logística que quieren seguir el ritmo de las crecientes demandas del comercio electrónico.

¿La separación manual es cosa del pasado?

Los flujos de paquetes experimentan fluctuaciones drásticas a lo largo del año, con picos típicos en el Black Friday y la temporada navideña. Los volúmenes globales de paquetes han crecido generalmente a una tasa de hasta el 25 % anual.

El brote de COVID-19 también puso a prueba el cumplimiento puntual de los pedidos. La dependencia acelerada del comercio electrónico ha aumentado la demanda de capacidad. Esto, a su vez, conlleva más costes operativos relacionados no solo con la necesidad de contratar más empleados, sino también con el propio proceso de reclutamiento. Los periodos que normalmente se considerarían los mejores y más rentables desde el punto de vista de las ventas se convierten así en los peores.

Además de los requisitos de rendimiento y los picos de demanda, la salud y la satisfacción de los trabajadores son retos para la separación y clasificación manuales. Los empleados pueden enfrentarse al aburrimiento de tareas repetitivas, así como a lesiones por manipular objetos pesados e irregulares. Esto puede derivar en gastos de compensación laboral y disminución de la productividad.

Visión artificial y robótica al rescate

Los desafíos mencionados pueden superarse automatizando el proceso de separación y clasificación, lo que hace que los costes sean más predecibles y proporciona escalabilidad ante picos de demanda.

La automatización más avanzada combina visión artificial 3D, algoritmos de IA y compatibilidad con las principales marcas de robots. También es posible medir la calidad y el éxito de un sistema pick-and-place concreto. Veamos ejemplos concretos. ¿Cómo puede beneficiarse una empresa de la implementación de un sistema automatizado si necesita separar y clasificar grandes cargas no estructuradas de paquetes?

Por ejemplo, Photoneo integra visión artificial 3D desarrollada internamente con algoritmos que permiten a los robots recoger más de 2.250 paquetes por hora. El sistema de visión proporciona datos 3D precisos y permite una localización exacta que conduce a una precisión de agarre de +/- 3 mm.

El sistema de separación y clasificación de Photoneo se basa en una red neuronal preentrenada que puede reconocer paquetes listos para usar, sin ningún entrenamiento, con una tasa de éxito de recogida del 95 %.

El 5 % restante se debe a las propiedades mecánicas y al material de los paquetes. Por ejemplo, si un objeto tiene una superficie arrugada o está hecho de tela, puede caerse del gripper y necesitar ser recogido de nuevo. Según Photoneo, estos objetos siempre se recogen con éxito en el segundo intento. Afirman lograr un tiempo de ciclo inferior a 1,5 segundos y ser compatibles con una amplia gama de marcas de robots.

Modo de escaneo único frente a modo multi-pick

La velocidad de rendimiento depende del modo de escaneo elegido. El modo de escaneo único realiza un escaneo, procesa los datos, localiza un objeto y envía una orden al robot para recogerlo. Este proceso se repite para cada objeto. El retraso de procesamiento generalmente no supera los 0,5 segundos.

Otra opción es el modo multi-pick, en el que el escáner/cámara realiza un escaneo, el sistema reconoce todos los objetos recogibles y el robot los recoge uno tras otro sin interrupción. El número de escaneos puede ajustarse a la aplicación concreta. Al no haber retraso de procesamiento en el modo multi-pick, el rendimiento es más rápido y el tiempo de ciclo solo está limitado por la velocidad del robot.

Visión e inteligencia

La calidad de los datos 3D determina el éxito de una solución automatizada de separación y clasificación. Se puede tener el sistema más inteligente, pero sin buenos datos 3D con los que trabajar, su resultado sería inútil. Una buena cámara 3D necesita proporcionar alta resolución y precisión, gran volumen de escaneo y profundidad de campo, así como alta velocidad de escaneo.

Otros factores importantes son la capacidad de suprimir la luz ambiental y el rendimiento "plug-and-play". Si la cámara 3D desplegada ofrece todas estas características, el sistema obtiene suficientes datos para que la IA los procese y localice con éxito cada objeto.

El enfoque más moderno para la segmentación y localización de paquetes impulsada por IA es el uso de redes neuronales convolucionales, que han progresado enormemente en los últimos años. Estas redes pueden reconocer paquetes, sobres e incluso bolsas de cualquier forma, textura y material, así como sus dimensiones, posición y orientación.

Las mejores soluciones se basan en algoritmos entrenados con enormes bases de datos de objetos y, por tanto, pueden generalizar y reconocer fácilmente y rápidamente nuevos tipos de objetos que nunca han visto antes. Arrugas, deformaciones y otras irregularidades no deben suponer obstáculo para un reconocimiento rápido.

Tras una detección y localización exitosas, el robot recibe la orden de recoger un objeto concreto y colocarlo en una ubicación predefinida, como sobre una cinta transportadora.

Principales desafíos para la separación

Los desarrolladores de sistemas robóticos de separación se enfrentan a numerosos retos. Un problema importante para la visión 3D lo plantean las superficies brillantes o reflectantes, que contienen diversos patrones e imágenes, o son negras. Las variedades de textura también causan dificultades. Los paquetes suelen apilarse de forma no estructurada, solapándose entre sí, lo que dificulta su localización.

Uno de los mayores desafíos reside en la naturaleza de las bolsas: su forma está deformada, llena de pliegues y arrugas, lo que hace extremadamente difícil para un gripper de robot recogerlas. Estas son las razones por las que es tan esencial combinar visión 3D de alta calidad con algoritmos de IA avanzados y sofisticados: solo esta potente combinación puede abordar de forma fiable todos los desafíos anteriores.

Ampliando el rango de aplicaciones

El uso de una solución de automatización impulsada por IA no termina en la simple separación y clasificación de paquetes. Si una cámara 3D puede escanear escenas en movimiento con alta calidad y velocidad, es posible medir paquetes al vuelo y clasificarlos según su tamaño u otros criterios.

Por ejemplo, Photoneo MotionCam-3D, capaz de capturar objetos que se mueven hasta a 40 m/s, puede alcanzar una precisión de medición de 1 cm y proporciona una resolución de mapa de profundidad de ~2 Mpx y 15 millones de puntos 3D/seg.

Los sistemas que combinan IA y visión artificial 3D también pueden usarse para desplegar o desenvolver sobres y paquetes arrugados —y realizar transformaciones geométricas virtuales— para mejorar la legibilidad del OCR para su posterior procesamiento. Algunos de estos sistemas también permiten la clasificación de paquetes basándose en códigos de barras.

Las posibles aplicaciones y capacidades de estos sistemas se desarrollan y amplían con los avances en IA y visión artificial, pero también con las demandas del mercado que marcan la dirección de este desarrollo.

La separación robótica puede aumentar la seguridad, la productividad y la fiabilidad, además de reducir significativamente los costes. La automatización se ha convertido en una herramienta crucial para optimizar procesos en logística. Almacenes y centros de distribución han luchado por retener trabajadores durante enormes aumentos en el flujo de paquetes en las fiestas y ahora por el comercio electrónico durante la pandemia de COVID-19. El despliegue de robots inteligentes guiados por visión para la separación y clasificación de enormes flujos no estructurados de paquetes es la forma de responder a estos desafíos.

Este artículo se publicó originalmente en The Robot Report bajo el título: «Cómo la separación y clasificación de paquetes puede beneficiarse de robots impulsados por IA».