3PL, Фулфиллмент, Логистика

ИИ-контроль и автоматизация операций ко-пакинга

Система выявляет ошибки комплектования до формирования палеты, фиксирует простои упаковочных линий и заранее сигнализирует о завершении партии

ai-copacking-automation-1.png
ai-copacking-automation-2.png
ai-copacking-automation-1.png
NDA
ЗаказчикКрупный 3PL-оператор
ЗадачаСнизить операционные потери на линиях ко-пакинга за счёт автоматического контроля ключевых событий процесса

О проекте

На линиях ко-пакинга часть критичных операций до сих пор зависит от действий сотрудников. Ошибка при агрегации комплекта может обнаружиться только после формирования целой палеты: её приходится разбирать, искать проблемный товар и повторно выполнять привязку кодов. При остановке линии время реакции зависит от того, когда бригадир заметит проблему и сообщит механику. А при завершении партии новая задача нередко начинает готовиться только после полной остановки линии.

 

В результате бизнес теряет время сразу в нескольких точках процесса: на перекомплектации, ожидании ремонта и простоях между партиями. Дополнительная проблема — отсутствие объективных данных о происходящем: часть событий фиксируется вручную, часть передаётся на бумаге, а причины простоев могут по-разному трактовать бригадир, механик и контролёр.

 

Наше ИИ-решение состоит из трёх модулей:

  • Первый автоматически считывает QR-код комплекта и Data Matrix отдельных товаров, проверяет корректность агрегации и сразу сигнализирует об ошибке.
  • Второй контролирует состояние линии, фиксирует остановку, прибытие механика и возобновление работы.
  • Третий отслеживает прогресс партии и заранее предупреждает бригадира и контролёра о приближении её завершения.

 

Все события сохраняются в журнале с временными метками, а данные выводятся в веб-интерфейс и дашборды для операционного контроля. 

NDA
ЗаказчикКрупный 3PL-оператор
ЗадачаСнизить операционные потери на линиях ко-пакинга за счёт автоматического контроля ключевых событий процесса

до 2 часов

в день — потенциальная экономия времени на одной линии за счёт сокращения простоев при смене партий
1
Выбор задачи для пилотного запуска
Определяем, с какого модуля стартуем: агрегация комплектов, контроль простоев или стыковка партий. Фиксируем события, которые должна распознавать система, и целевые метрики
2
Замеры и сбор данных на линии
Фиксируем расположение оборудования, освещение, скорость конвейера, типы упаковки и доступные точки установки камер
3
Фиксируем расположение оборудования, освещение, скорость конвейера, типы упаковки и доступные точки установки камер
Определяем камеры, серверную часть, базу событий, каналы уведомлений и необходимые интеграции с «Честным знаком» или WMS
4
Разработка CV- и бизнес-логики
Настраиваем распознавание QR/Data Matrix, детекцию остановок линии, подсчёт палет и другие выбранные сценарии
5
Разработка интерфейса и журнала событий
Собираем дашборды, журнал операций, статусы линий и систему уведомлений для механиков, бригадиров и контролёров
6
Монтаж и калибровка на пилотной линии
Устанавливаем камеры и оборудование, настраиваем зоны контроля и проверяем работу на реальном потоке продукции
7
Пилот, валидация и масштабирование
Сверяем фактические результаты с целевыми метриками, дорабатываем алгоритмы и после подтверждения эффекта переносим решение на остальные линии

Интересный факт

Одна пропущенная привязка Data Matrix может привести к разбору целой палеты

Технологический стек

Frontend

Интерфейс пользователя: отчеты, графики, панели управления

Backend

Логика обработки и базовые компоненты системы

ML

Модели и фреймворки для обучения

Вызовы и решения

Подвижные конвейеры

Линии стоят на колёсах, поэтому жёсткое крепление камер не подходит
РЕШЕНИЕ

Гибкие П-образные рамки

Проектируем крепления с возможностью повторной калибровки после перемещения линии

Разные размеры упаковки и освещение

На линии проходят товары разной формы и габаритов, условия съёмки меняются
РЕШЕНИЕ

Обучение на реальных данных

Собираем репрезентативную выборку, калибруем камеры и учитываем переменное освещение

Интеграции с внешними системами

Для части сценариев нужны данные «Честного знака» и WMS, доступность API заранее не гарантирована
РЕШЕНИЕ

Проверяем API до основной разработки

Сначала тестируем доступные данные и только после этого фиксируем финальную архитектуру интеграций

от 95%

точность подсчёта палет

99%

доступность системы

<5

секунд на доставку уведомлений

Бесплатный разбор вашей задачи

На экспертной встрече разберем, какие сценарии внедрения ИИ для вашего бизнеса перспективны и возможны на вашем действующем оборудовании. Подготовим экономическое обоснование внедрения ИИ.

Рассмотрим технические ограничения и возможный первый этап проекта.

О вашей задаче (по желанию)

Готовые проекты

Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.

bracket
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
damage-detection-case.png
Разработка крупной системы
ИИ-контроль операций ко-пакинга
ai-copacking-automation.jpg
Разработка крупной системы
Автоматический подсчет рыбы в сложной производственной среде
fish-sorting-counting-ai.png
Разработка крупной системы
ИИ-контроль качества печатных плат
pcb-quality-control-ai.jpg
Разработка крупной системы
AI-выявление запрещенного контента и символики
prohibited-content-symbol-detection.jpg
Генеративный ИИ
Автоматизации рутинных процессов в рекламном агентстве
advertising-agency-automation-ai.jpg