"Lävi sellekskaubaalustele panemineon suhteliselt madal, sisenemine on suhteliselt kiire, konkurents on tihe ja see on jõudnud küllastumise faasi.
Mõnede 3D-visuaalmängijate silmis on palju mängijaid, kes lammutavad kaubaaluseid ja küllastumise etapp on saabunud madala kasumiga, mida ei peeta enam heaks äriks.
Kas see on tõesti nii?
GGII on märganud, et silmitsi edukate sõpradega usub teine rühm 3D-visuaalmängijaid kindlalt, et "automaatse kaubaalustele paigutamise läbitungimismäär on väga madal ja veel on palju alasid, mida pole veel vallutatud. Lagi on piisavalt kõrge .
Tehnoloogia arenedes ja moderniseerumise kiirenedes muutuvad inimeste nõudmised juhikiirusele aina kõrgemaks. Tarbimise ajakohastamise trendiga on aga sissetulevate materjalide tüüpe palju ja neid lisandub sageli. Traditsioonilist käsitsi kaubaaluste laadimist saab rakendada vaid olukordades, kus materjalid on kerged, suurte suurus- ja kujumuutustega ning väikese läbilaskevõimega. Kui see tugineb endiselt tööjõule, ei vasta see kaugeltki ettevõtete kiirusnõuetele.
Stsenaariumi vaatenurgast võib demonteerimise ja kaubaaluste stsenaariumid jagada üksikkoodiks, üksikkoodiks, segakoodiks ja segakoodiks. Tavaliste seadmete hulka kuuluvad kaubaaluste laadimismasinad,kaubaaluste tõstmise robotid, robotid+masinanägemine jne.
Seega usub ta, et mängijad, kes lammutavad kaubaaluseid ja arutavad mõõkade üle, võib laias laastus jagada kahte fraktsiooni; Traditsioonilised kaubaaluste masinapirukad ja kaubaaluste masinaga pirukad, mis ei vaja masinnägemist; Teist fraktsiooni esindavad masinnägemismängijad, keda juhendatakse visuaalselt kaubaaluseid lahti võtma.
Terminaliettevõtete jaoks võivad kaubaaluste masinad ja robotid muuta sissetulevad materjalid puhtamaks ja esteetilisemaks, säästa kulusid ja parandada tootmise efektiivsust, muutes need üheks teravaks tööriistaks automatiseeritud tootmise kiirendamisel.
Kuhu on jäänud võimalused masinanägemise fraktsioonile kui traditsioonilisele kaubaaluste laadurifraktsioonile ja kaubaaluste robotite fraktsioonile "jõuliselt segunevad" kaubaaluste turul?
Tee eristumiseni – segaalustele paigutamine
Tavaline nähtus turul on see, et sageli on järgijaid ja jäljendajaid ning aeg-ajalt on segajaid, kuid kõige keerulisem on asutaja.
Esmakordselt teatud turule sisenedes on mängijate võimalus sissepääsupileteid saada, kuidas keskenduda stseeni valupunktidele ja astuda välja eristumisteelt.
Näiteks pappkastide kaubaalustele panemine. Stseeni vaatenurgast on ühe koodiga stseen suhteliselt lihtne ja traditsiooniline, põhiliselt kasutatakse kaubaalustele paigutamiseks sama tüüpi sissetulevat materjali, kusjuures sagedamini kasutatakse kaubaaluste masinaid ja kaubaaluste paigutamise roboteid; Ühekordne demonteerimine on üldjuhul sama tüüpi pappkasti demonteerimine, mis nõuab visuaalset juhendamist; Segalammutamine hõlmab peamiselt erinevat tüüpi pappkastide demonteerimist, mis nõuab visuaalset juhendamist; Koodide segamine hõlmab ka erinevat tüüpi pappkasti alustele asetamist ja nõuab visuaalset kontrolli.
Seetõttu ei ole 3D-nägemisega tegelevate ettevõtete arvates nõudlus 3D-nägemise järele kaubaaluste turul kaugeltki küllastunud.
1.Segademonteerimine
Kõigepealt vaatame segademonteerimist.
Seni ei ole Hiinas visuaalsete kaubaaluste eemaldamise üksuste (komplektide) kumulatiivne arv jõudnud 10 000-ni ja automatiseeritud kaubaaluste eemaldamist pole veel saavutatud. Visuaalset koostööd nõudva kaubaaluste mahavõtmise osakaal on väga suur.
Fei Zheping ennustab, et see osakaal võib tulevikus ületada 90%. Praegu on kaubaaluste eemaldamine automatiseerimistööstuses kõige laialdasemalt kasutatav ja nõudlikum stsenaarium. 80% -90% ulatusesrobotKäsi-silma koostöörakendused on kaubaaluste eemaldamisel ja kaubaaluste eemaldamine (üks kood) on alla 10%.
Seetõttu saab turunõudluse ja tehniliste võimaluste vaatenurgast kaubaaluste eemaldamise rakenduse stsenaariumid olla standardiseeritud ja lollikindel ilma sekundaarse arenguta.
2. Segakood
Erinevalt teistest stsenaariumidest on kaubaaluste stsenaariumi puhul segakodeerimine kõige keerulisem. Erinevate kategooriate, suuruste ja kujuga kaupade paigutamine samale alusele ja teatud tööefektiivsuse tase on segakodeerimistöö raskus.
Näiteks ladustamise ja transportimise käigus on kaubaalustel vedude osakaal suhteliselt väike, 70-80% kaubast on alustele panemata. Selle protsessi automatiseerimise läbitungimismäär on suhteliselt madal, kuna kaubaalused tuleb maha võtta ja tagasi koguda.
Segaaluste automaatne läbitungimismäär?
Nõudlus segaalustele ladumise järele on saabunud ja valupunktid on ilmsed. 3D-visuaalpleierite ees seisev väljakutse on – kuidas kiirendada segaalustele paigutamise automatiseerimise läbitungimiskiirust?
3D-visuaalpleierite jaoks on esmatähtis madala efektiivsuse probleemi lahendamine.
Näiteks praktilistes stsenaariumides on tavaline seisma silmitsi segaaluste segamise probleemiga, kus kaubaaluste paigutamise tööjaama toimetatakse juhuslikult erinevate suuruste ja spetsifikatsioonidega kaubad mööda konveierilinte. Kuna tööjaam ei suuda ette näha kõiki eelseisvaid toote spetsifikatsioone ja mõõtmeid konveierilindil, ei ole võimalik saavutada globaalset optimaalset planeerimist.
Olemasolevat BPP (bin Packaging Problem) algoritmi ei saa tegelikes logistikastsenaariumides otseselt kasutada. Seda tüüpi kaubaaluste laadimise probleem, kus kõiki toote spetsifikatsioone ja mõõtmeid ei saa ette teada, on keerulisem kui üldine veebipõhise pakkimise BPP-k probleem (K viitab toote spetsifikatsioonidele ja mõõtmetele, mida kaubaaluste tööjaam saab ette teada) .
Kas praktiliste rakenduste puhul on k võrdne 1 või 3? Kas seade saab kätte ühe eseme kolmest või saab ühe eseme kätte võtta vaid ühe kauba jaoks? Kas seda saab ette ennustada, on algoritmidele esitatavad nõuded suhteliselt kõrged. Samas on kauba suurus ja kõrgus ka üks tegureid, mis algoritmi mõjutavad. Kaubaaluste omaduste tõttu on kaubaaluste laadimisalgoritm keerulisem kui üldine BPP-k pakkimisalgoritm, võttes arvesse mitte ainult laadimiskiirust, vaid ka kaubaaluste kuju stabiilsust.
Kuningas Sanad Yoshiyama märkis: 3D-nägemisega ettevõtete jaoks seisneb segakoodistseenide tehniline raskus algoritmi tasemel. Algoritmi eeliseid ära kasutades ei saa me mitte ainult lahendada selliseid probleeme nagu segakood ja segatud lahtivõtmine, mida traditsioonilised kaubaalused ja mahalaadijad ei suuda lahendada, vaid saame optimeerida ka intelligentseid algoritme, nagu visuaalse tuvastamise algoritmid, liikumise planeerimise algoritmid, virnatüüpide planeerimise algoritmid ja kaubaaluste laadimise algoritmid, mis parandavad aluse kasutamist, virna stabiilsust, laadimiskiirust ja nii edasi.
Kuid teiste mängijate silmis on mitmekesise kuju ja suurusega objektid ka hübriidse kaubaaluste eemaldamise automatiseerimise madala läbitungimismäära üheks põhjuseks.
Praegu on turul peamised kaubaaluste eemaldamise objektid kotid, karbid ja vahtkarbid. Erinevatel tööobjektidel on 3D-nägemisele erinevad nõuded.
Valupunktide sihtimine nende põhitehnoloogiate loodud konkurentsitõkete kaudu tuvastab segakoodi madalad automatiseerimislingid ja pakub sihipäraseid lahendusi.
Sanad 3D visuaalne intelligentne kaubaaluste tööjaam kasutab kõrge kaadri ja kõrge eraldusvõimega DLP binokulaarset stereokaamerat, mis tuvastab tugevalt erinevate värvide, materjalide ja suurustega pakendi kontuure; Tuginedes süvaõppe algoritmidele, suudab see saavutada igat tüüpi virnastatud pakettide segmenteerimise ja positsioneerimise, kombineerides 2D- ja 3D-teavet, et saada täpselt pakendi värvi, suurust, kontuuri, asukohta, nurka ja muud teavet; Varustatud täiustatud algoritmidega, nagu kokkupõrke tuvastamine ja trajektoori planeerimine, suudab see tõhusalt vältida kokkupõrkeid ja haarata ühe või mitme objektiga korraga vastavalt tegelikele olukordadele; Toetage segakasti stiilis kaubaaluste laadimist ja puuri demonteerimist.
Lisaks on see teatud mõttes võimalus masinnägemisettevõtetele, aga ka robootikaettevõtetele.
Seistes silmitsi hübriidses kaubaaluste eemaldamises peituvate lõpmatute võimalustega, on robootikud ja visuaalselt juhitavad virnastajad hakanud koostööd tegema.
Kas kaubaalustele panemise visuaalne juhendamine on ikka hea äri?
Kui asja juurde jõuda, kas kaubaalustega panemine on ikka hea äri?
GGII uuringuandmete kohaselt ületas 2022. aastal Hiinas robotitega juhitavate 3D-kaamerate tarnemaht 8500 ühikut, millest ligikaudu 2000 ühikut saadeti kaubaalustele, mis moodustab umbes 24%.
Andmete vaatenurgast on 3D-nägemisel veel suur arengupotentsiaal kaubaaluste rakendamisel. Seistes silmitsi kaubaaluste laotamise tõttu vabaneva tururuumiga, kavandavad masinnägemisettevõtted aktiivselt lahendusi või pakuvad välja lahendusi või vabastavad riistvaratooteid ja tarkvarasüsteeme, et rahuldada paindlikke ja mitmekesiseid kaubaaluste segamisvajadusi, aidates ettevõtetel kulusid vähendada ja tõhusust suurendada.
Mitmed tööstusharu insaiderid on väljendanud: "Olgu see hea äri või mitte, ainult tööstusega liitudes saab paremini aru saada
Arvestades mängijate arvu järsu kasvu, on Fei Zhepingi arvates ainult üks tee kaubaaluste eemaldamise turu lõpliku mustri ja võitjani: tõeliselt madala hinnaga standardtooted.
Niinimetatud standardimine viitab 3D-kaamerate ja kaubaaluste eemaldamise tarkvara integreerimisele, mida võib käsitleda ühtse tootena. Kliendid ei vaja üldse visuaalset silumist ja saavad kiiresti alustada ja saavutada tõelise kohapealse kiire juurutamise.
Niisiis, kas visuaalselt juhitud kaubaalustega panemine on ikka hea äri?
Postitusaeg: okt-09-2023
