Identification de KIT et de KLT

Identification de KIT et de KLT Type de projet: Artificial Intelligance Date 2019 Objectif pour le traitement de l'image: Généralités: Différents KLT et plateaux sont livrés par camion de différents clients. Les KLT et les plateaux sont séparés par des travailleurs et nettoyés par le client avec diverses exigences techniques. Après le nettoyage, ils sont remariés et doivent être triés sur des palettes en pure variété, étirés avec de la feuille et entreposés. L'objectif est d'obtenir des palettes pures pendant le stockage, qui sont précisément enregistrées dans le logiciel afin qu'elles puissent être mises à jour sur le réseau. Le nombre varie constamment, car différents clients ramassent à nouveau les marchandises nettoyées et palettisées. De plus, le client accède également en interne à l'entrepôt. Comme par le passé il n'était pas vraiment possible de déterminer le stock actuel, un système doit maintenant être mis en place qui détermine actuellement le stock afin d'enregistrer le stock exact (par exemple : Par exemple : Évitez les voyages vides. Entre autres choses, le conducteur de camion devrait être en mesure de voir sur un écran si les marchandises demandées ont déjà été entièrement nettoyées et entreposées. STRUCTURE DANS LA DESCRIPTION DÉTAILLÉE : Station 2 : appairage des bacs et des plateaux Les bacs KLT et les plateaux sont appairés à cette station. Dans ce cas, les plateaux sont automatiquement identifiés et reconnus en les plaçant sur la ceinture sur le maître du plateau avant ou après le nettoyage (approx. 350 types différents Par conséquent, dans la station, les plateaux qui sont actuellement entraînés sur le système devraient être automatiquement reconnus. Cette information devrait ensuite être créée sous forme de code EAN et d'un autocollant imprimé sur une imprimante d'étiquettes. Une entrée / sélection d'un travailleur sur un écran n'est pas pratique, car le temps nécessaire est trop grand et les erreurs doivent être évitées de manière fiable. Par conséquent, nous recommandons l'utilisation d'un réseau neuronal d'apprentissage indépendant qui assure la reconnaissance après avoir appris les paramètres. Un autre avantage de cette technologie est l'enseignement simple de nouvelles pièces supplémentaires ou de plateaux déviants, qui est facile à mettre en œuvre pour la reconnaissance future. La cellule de traitement d'image CRETEC QBIC est ensuite placée au-dessus du ruban et isolée de la lumière extérieure pour assurer une détection optimale.