La documentation de chargement assistée par IA augmente l'efficacité du processus logistique

Documentation automatisée du chargement en cours d'exploitation

Au cœur de cette application se trouve un chariot élévateur sur la cabine duquel est fixée la caméra. Pendant le trajet, elle capture en continu ce qui se passe devant le véhicule. Le processus commence par l'enregistrement du bon de transport et couvre toutes les étapes de la procédure de chargement. Cela inclut les manœuvres, le ramassage et la dépose de chaque palette, ainsi que la sécurisation finale du chargement une fois le chariot élévateur immobilisé. Pour les conducteurs, cela signifie un soulagement notable : L'interruption jusqu'ici nécessaire pour la saisie manuelle des données est désormais totalement supprimée. Parallèlement, des données d'image uniformes et traçables sont générées, rendant l'ensemble du processus transparent.

Analyse d'image intelligente en temps réel

Un élément essentiel de la solution est l'analyse intelligente des données d'image enregistrées. La caméra transmet ses images directement à un terminal embarqué via une interface USB Video Class standardisée (interface UVC), sans pilote supplémentaire. De là, les données sont transmises à un serveur IA local qui les analyse en temps réel. Dans un premier temps, une classification d'image basée sur l'IA évalue chaque image en termes de contenu et de pertinence. Plus de 99 % des images sont éliminées dès cette étape, de sorte que seules les informations réellement pertinentes sont ensuite traitées. Pour les données restantes, des modèles spécialisés issus du système DENKnet de DENKweit sont utilisés. Une combinaison de détection d'objets et de reconnaissance optique de caractères (OCR) identifie les feuilles de route ainsi que les structures de palettes. Le numéro de tournée est extrait et sert de clé centrale pour l’attribution des images. De cette manière, tous les enregistrements pertinents sont structurés, attribués à une tournée et stockés de manière centralisée. Parallèlement, le système est capable de détecter le nombre de palettes présentes dans l’image ainsi que leurs dimensions.

Haute qualité d'image à des distances variables

La flexibilité de la solution se manifeste notamment dans l'adaptation dynamique de la capture d'image. La caméra autofocus uEye XC ajuste automatiquement la mise au point en fonction des différentes distances. « Pour la saisie d'un bon de tournée, la mise au point est effectuée à une distance d'environ 35 centimètres. Pour la documentation du processus de chargement, la zone de capture se situe en revanche entre 2 et 3 mètres », explique Thomas Fuchs, Team Leader AIoT chez CANCOM. « Cela permet d'obtenir des images nettes et exploitables dans toutes les situations, même en cas de conditions d'éclairage changeantes. »

La caméra utilisée est équipée d'un capteur de 13 mégapixels et offre des fonctionnalités telles que la balance des blancs automatique, la correction des couleurs ainsi que des paramètres réglables individuellement pour la luminosité, le contraste et la netteté. Grâce à l'interface UVC, elle peut être utilisée comme une webcam standard sans pilote supplémentaire. En combinaison avec Windows IoT sur les terminaux embarqués, cela simplifie considérablement l'intégration. Les appareils sont automatiquement détectés et peuvent être gérés via un système centralisé de gestion des équipements.

Infrastructure d’IA évolutive, de l’edge computing jusqu’au centre de données.

La force particulière de l'application réside dans l'interaction entre la caméra et l'intelligence artificielle. La solution mise en œuvre par CANCOM utilise des modèles d'IA conteneurisés développés par DENKweit Ils peuvent être déployés de manière flexible, de l’edge computing jusqu’au centre de données, et fonctionner dans des environnements Kubernetes ainsi que, si nécessaire, avec une accélération GPU. Les premières solutions opérationnelles sont obtenues avec un nombre relativement limité d’images d’entraînement. Cependant, leurs performances augmentent considérablement avec la qualité et la diversité des données.

Par rapport aux systèmes de vision industrielle classiques, cela réduit considérablement les efforts de développement. Les pipelines de vision complexes basés sur des règles sont remplacés par des méthodes d’apprentissage qui peuvent être mises en œuvre plus rapidement et s’adaptent plus facilement aux nouvelles exigences. Parallèlement, les utilisateurs bénéficient des progrès rapides de la puissance de calcul disponible, de sorte que même les solutions GPU intégrées suffisent pour de nombreuses applications.