«Порог дляпаллетированиеотносительно низкий, вход на рынок относительно быстрый, конкуренция жесткая, и он вступил в стадию насыщения».
По мнению некоторых 3D-игроков, «многие игроки разбирают поддоны, и наступила стадия насыщения с низкой прибылью, что больше не считается хорошим бизнесом.
Так ли это на самом деле?
GGII заметил, что, несмотря на преуспевающих друзей, другая группа игроков в 3D-визуализацию твердо уверена, что «уровень проникновения автоматической укладки на поддоны очень низок, и есть еще много областей, которые еще не освоены. Потолок достаточно высок. .
С развитием технологий и ускорением модернизации требования людей к скорости обработки становятся все выше и выше. Однако с тенденцией модернизации потребления типы входящих материалов многочисленны и часто добавляются. Традиционная ручная паллетизация может применяться только в ситуациях, когда материалы легкие, с большими изменениями размера и формы и небольшой пропускной способностью. Если он по-прежнему полагается на рабочую силу, он далек от удовлетворения требований предприятий к скорости.
С точки зрения сценария сценарии демонтажа и укладки на поддоны можно разделить на единый код, единый код, смешанный код и смешанный код. Общее оборудование включает в себя машины для укладки на поддоны,роботы-паллетизаторы, роботы+машинное зрение и т.д.
Итак, считается, что игроков, разбирающих поддоны и обсуждающих мечи, можно условно разделить на две фракции; Традиционные пироги с машинами для укладки на поддоны и пироги с роботами для укладки на поддоны, не требующие машинного зрения; Другая фракция представлена игроками с машинным зрением, которые визуально подсказывают, как разбирать поддоны.
Для терминальных предприятий машины и роботы для укладки на поддоны могут сделать поступающие материалы более аккуратными и эстетичными, сэкономить затраты и повысить эффективность производства, что делает их одним из эффективных инструментов для ускорения автоматизированного производства.
Какие возможности остались у отрасли машинного зрения, поскольку на рынке укладки на поддоны «активно смешиваются» традиционные фракции укладчиков на поддоны и фракции роботов-укладчиков?
Путь к дифференциации – смешанная паллетизация
Общим явлением на рынке является то, что часто есть последователи и подражатели, а иногда и разрушители, но самым трудным является основатель.
При первом выходе на определенный рынок возможность игроков получить входные билеты позволяет сосредоточиться на болевых точках сцены и выйти на путь дифференциации.
В качестве примера рассмотрим паллетирование картонных коробок. С точки зрения сцены, сцена с единым кодом относительно проста и традиционна, в основном используется один и тот же тип входящего материала для укладки на поддоны, при этом чаще используются машины для укладки на поддоны и роботы для укладки на поддоны; Одиночная разборка – это, как правило, разборка однотипной картонной коробки, требующая визуального руководства; Смешанный демонтаж преимущественно предполагает демонтаж картонных коробок разных типов, требующий визуального руководства; Смешивание кодов также предполагает различные виды паллетирования картонных коробок и требует визуальной проверки.
Таким образом, по мнению компаний, занимающихся 3D-зрением, спрос на 3D-зрение на рынке паллетирования далек от насыщения.
1.Смешанный демонтаж
Для начала разберем смешанный демонтаж.
На данный момент совокупное количество единиц (комплектов) визуальной депаллетизации в Китае не достигло 10 000, а автоматическая депаллетизация еще не реализована. Доля процессов депаллетизации, требующих визуального взаимодействия, очень высока.
Фэй Чжэпин прогнозирует, что в будущем эта доля может превысить 90%. В настоящее время депаллетизация является наиболее широко используемым и требовательным сценарием в отрасли автоматизации. 80% -90%роботПриложения для совместной работы «рука-глаз» находятся на депаллетизации, а укладка на поддоны (единый код) составляет менее 10%.
Таким образом, с точки зрения рыночного спроса и технических возможностей, сценарии применения депаллетизации могут быть стандартизированы и защищены от ошибок без какой-либо вторичной разработки.
2. Смешанный код
В отличие от других сценариев, в сценарии паллетирования смешанное кодирование является наиболее сложным. Как разместить товары разных категорий, размеров и форм на одном поддоне и добиться определенного уровня эффективности работы, является сложностью смешанной работы по кодированию.
Например, в процессе хранения и транспортировки доля паллетированной транспортировки относительно невелика: 70-80% товаров не паллетируется. Уровень автоматизации этого процесса относительно низок, поскольку поддоны необходимо снимать и собирать обратно.
Автоматизированная степень проникновения смешанной паллетизации?
Появился спрос на смешанную паллетизацию, и болевые точки очевидны. Задача, стоящая перед игроками в области 3D-визуализации, заключается в том, как ускорить рост автоматизации процесса укладки смешанных паллет?
Для 3D-проигрывателей главным приоритетом является решение проблемы низкой эффективности.
Например, в практических сценариях часто приходится сталкиваться с проблемой беспорядочной смешанной паллетизации, когда на рабочую станцию паллетирования в случайном порядке доставляются товары различных размеров и характеристик вдоль конвейерных лент. Из-за неспособности рабочей станции предвидеть все будущие характеристики и размеры продукта на конвейерной ленте невозможно достичь глобального оптимального планирования.
Существующий алгоритм BPP (задача упаковки в контейнерах) не может быть напрямую использован в реальных сценариях логистики. Этот тип проблемы укладки на поддоны, при которой все характеристики и размеры продукта не могут быть известны заранее, является более сложным, чем общая задача онлайн-упаковки BPP-k (K относится к характеристикам и размерам продукта, которые могут быть известны заранее рабочей станции укладки на поддоны). .
В сценариях практического применения k равно 1 или 3? Может ли устройство подобрать один предмет из трех или можно подобрать только один предмет? Если это можно предсказать заранее, требования к алгоритмам будут относительно высокими. При этом размер и высота товара также являются одним из факторов, влияющих на алгоритм. Из-за особенностей поддонов алгоритм укладки на поддоны более сложен, чем общий алгоритм упаковки БПП-к, учитывая не только скорость загрузки, но и стабильность формы укладки на поддоны.
Король Санад Ёсияма отметил: «Для предприятий 3D-видения техническая сложность сцен смешанного кода лежит на уровне алгоритма. Используя преимущества наших алгоритмов, мы не только можем решать такие проблемы, как смешанный код и смешанная разборка, которые не могут решить традиционные паллетайзеры и разгрузчики, но мы также можем оптимизировать интеллектуальные алгоритмы, такие как алгоритмы визуального распознавания, алгоритмы планирования движения, алгоритмы планирования типа штабеля и алгоритмы укладки на поддоны для улучшения использования лотков, стабильности штабелей, скорости загрузки и т. д.
Однако, по мнению других игроков, объекты различной формы и размера также являются одной из причин низкого уровня внедрения гибридной автоматизации депаллетизации.
В настоящее время основными объектами депаллетизации на рынке являются мешки, картонные коробки и коробки из пенопласта. Разные рабочие объекты предъявляют разные требования к 3D-зрению.
Выявление болевых точек через конкурентные барьеры, создаваемые их основными технологиями, выявляет слабые звенья автоматизации смешанного кода и предоставляет целевые решения.
Визуальная интеллектуальная рабочая станция укладки на поддоны Sanad 3D оснащена бинокулярной стереокамерой DLP с высоким разрешением и высоким разрешением, которая хорошо распознает контуры упаковок разных цветов, материалов и размеров; Основываясь на алгоритмах глубокого обучения, он может выполнять сегментацию и позиционирование всех типов уложенных друг на друга упаковок, объединяя 2D и 3D информацию для точного получения цвета, размера, контура, положения, угла и другой информации упаковки; Оснащенный передовыми алгоритмами, такими как обнаружение столкновений и планирование траектории, он может эффективно избегать столкновений и захватывать один или несколько объектов одновременно в зависимости от реальной ситуации; Поддержка укладки на поддоны смешанного типа и демонтажа клеток.
Кроме того, в каком-то смысле это возможность для предприятий машинного зрения, а также для предприятий робототехники.
Столкнувшись с безграничными возможностями, скрытыми в гибридной депаллетизации, робототехники и разгрузчики с визуальным управлением начали работать вместе.
Является ли визуальное руководство по паллетированию по-прежнему хорошим бизнесом?
Давайте перейдем к сути: является ли паллетирование по-прежнему хорошим бизнесом?
По данным исследования GGII, в 2022 году объем поставок 3D-камер, управляемых роботами, в Китае превысил 8500 единиц, из них на паллетирование было отправлено около 2000 единиц, что составляет около 24%.
С точки зрения данных, 3D-видение по-прежнему имеет большой потенциал для развития в области паллетирования. Столкнувшись с рыночным пространством, которое освобождается в результате паллетирования, компании, занимающиеся машинным зрением, активно разрабатывают или предлагают решения или выпускают аппаратные продукты и программные системы для удовлетворения гибких и разнообразных смешанных потребностей в паллетировании, помогая предприятиям сократить расходы и повысить эффективность.
Некоторые инсайдеры отрасли заявили: «Хороший это бизнес или нет, только присоединившись к отрасли, можно лучше понять
В условиях резкого увеличения количества игроков, по мнению Фэя Чжэпинга, есть только один путь к окончательному результату и победителю на рынке депаллетизации: по-настоящему недорогие стандартизированные продукты.
Так называемая стандартизация подразумевает интеграцию 3D-камер и программного обеспечения для депаллетизации, которые можно рассматривать как единый продукт. Клиентам вообще не нужна визуальная отладка, они могут быстро приступить к работе и добиться реального быстрого развертывания на месте.
Итак, является ли паллетирование с визуальным управлением по-прежнему хорошим бизнесом?
Время публикации: 09 октября 2023 г.
