Внедрения машинного зрения для идентификации паллет и расчета габаритов
Система машинного зрения для складов автоматически измеряет габариты паллет и идентифицирует их по штрихкодам и QR-меткам.
ИИ-модуль передаёт точные данные в WMS, исключая ошибки при подборе ячеек и ускоряя работу склада без ручных измерений и остановки процессов.
01. Про заказчика
Крупная федеральная торговая сеть с распределительными центрами по России.
Компания управляет тысячами товарных позиций и ежедневно обрабатывает сотни паллет.
В пиковые периоды через один склад проходит более тысячи паллет, требующих измерения и идентификации для корректного размещения в WMS.
02. Задача проекта
Автоматизировать процесс измерения габаритов паллет и их идентификации для передачи данных в WMS.
Ранее размеры поддонов и грузов фиксировались вручную, что приводило к неточностям, ошибкам при размещении и задержкам в отгрузке.
Фактические данные часто отличались от данных поставщиков, из-за чего система неправильно подбирала ячейки хранения.
Основные проблемы:
Неточная информация о габаритах паллет от поставщиков.
Ошибки при подборе ячеек хранения.
Риск пересорта и потерь при транспортировке.
Отсутствие автоматической передачи параметров в WMS.
03. Как мы решали задачу
01
Запуск измерения паллеты — сканирование начинается автоматически, когда паллета подъезжает к рамке или ричтрак приближается к ней.
02
Снятие размеров и считывание кода — лидары измеряют высоту, длину и ширину паллеты, а камеры определяют её ID по QR-, SSC- или штрихкоду. Точность распознавания превышает 90%.
03
Анализ и расчёт габаритов — алгоритмы формируют 3D-модель паллеты, результаты автоматически передаются в WMS.
04
Обновление данных в WMS — система записывает точные размеры и ID паллеты, после чего WMS использует их для подбора подходящей ячейки хранения и обновления статуса.
05
Контроль и управление размещением — система исключает ошибки при распределении грузов и ускоряет подбор мест хранения без участия человека.
06
Хранение данных и аналитика — результаты сохраняются для аудита и оптимизации складских процессов; архитектура позволяет перейти в режим онлайн-мониторинга и масштабировать решение на другие площадки.
04. Как это работает и технологический стек
1Лидары формируют 3D-облако паллеты и груза. Алгоритм рассчитывает высоту, длину и ширину.
2Камеры распознают идентификатор паллеты.Распознавание: QR / DataMatrix / SSC-кодов.
3Результаты передаются в WMS (по REST API). Данные сохраняются для аналитики.
4Используются: Лидары 3D + YOLOv8 для распознавания Трекер движения объектов.
5Инфраструктура: On-prem / edge-развёртывание Обработка данных в реальном времени.
05. Проблемы и их решение
Неточные данные о габаритах паллет
Фактические размеры паллет отличались от данных поставщиков. Из-за этого WMS ошибочно подбирала ячейки хранения, что приводило к переполнению, пересорту и неверному размещению.
Стало
Лидары автоматически измеряют высоту, длину и ширину паллеты. Точные габариты передаются в WMS через API, что исключает ошибки при подборе ячеек хранения.
Ошибки при идентификации паллет
Ручное считывание QR- и штрихкодов занимало время и приводило к пересортице и задержкам при размещении.
Стало
Камеры автоматически распознают QR, DataMatrix и SSC-коды с точностью более 90 %. Идентификация проходит быстрее и исключает человеческий фактор.
Потери времени при ручных проверках
Измерения габаритов, фиксация данных и контроль выполнялись сотрудниками вручную, что замедляло обработку грузов и увеличивало риск ошибок.
Стало
Процесс полностью автоматизирован: сканирование и передача данных происходят без участия оператора, что ускоряет работу и снижает трудозатраты.
Ошибки при размещении и отгрузке
Из-за неточных габаритов и неверных ID возникали пересортицы, повторные перемещения и ошибки при формировании заданий для ричтраков.
Стало
WMS получает актуальные размеры и идентификаторы паллет. Система формирует корректные задания и предотвращает ошибки на этапах хранения и отгрузки.
06. Ценность и экономика
Автоматизация измерений
Измерение габаритов и считывание ID выполняются без участия оператора.
Снижение логистических потерь
Исключены ошибки при подборе ячеек хранения и пересортировка паллет.
Точность и стабильность данных
Погрешность измерений — не более 1 см.
Распознавание кодов — свыше 90 %.
Внедрение без остановки процессов
Система подключается к существующим камерам и ИТ-инфраструктуре.
Работает без замены оборудования и без остановки складских операций.
07. Команда, которая внедрила проект
Техлид
Константин Порошкин
Backend-Lead
Алексей Цибульников
Менеджер проекта
Илья Гуреев
Аналитик
Роман Федоров
Computer Vision инжерер
Роман Мазников
DevOps
Дмитрий Соркин
Куратор команды разметки
Марк Яговкин
08. Планы на будущее
Кейсы в других нишах
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.
Разработка нейросети
Нейросеть для мониторинга здоровья коров на ферме
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
Разработка крупной системы
Автоматизация досмотра багажа и анализа X-ray снимков с помощью ИИ
Разработка крупной системы
Платформа для регистрации рекламы блогеров и единого реестра интернет-рекламы
Разработка крупной системы
Система распознавания спецтранспорта и автомобильных номеров для парковок и ТЦ
Разработка крупной системы
Нейросеть, которая контролирует бодрость сотрудников аэропорта, чтобы вы улетели в отпуск вовремя
Сбор данных для обучения ИИ
Учим нейросеть распознавать драки, чтобы в вашем городе стало безопаснее
Сбор данных для обучения ИИ
Нейросеть для распознавания огнестрельного оружия для систем безопасности
Разработка крупной системы
Нейросеть для определения возраста в системах безопасности и анализа аудитории
Разработка нейросети
Распознавание рукописного текста на экзаменационных бланках с помощью нейросети
Разработка крупной системы
Нейросеть, которая распознаёт пустые полки в магазинах и помогает вовремя пополнять запасы
Разработка крупной системы
Платформа на базе ИИ для определения целевой аудитории и аналитики блогеров
Разработка крупной системы
Распознавание погрузчиков и работников на складе для снижения рисков и травматизма
Разработка крупной системы
Внедрение машинного зрения для идентификации паллет и расчета габаритов
Разработка нейросети
Повышаем качество снимков с дронов, чтобы повысить точность анализа и распознавания полученных изображений
Разработка крупной системы
Оптимизация расстановки стеллажей с помощью ИИ и машинного зрения
Внутренняя разработка
NeuroVision — платформа видеоаналитики с готовыми модулями.
Разработка крупной системы
Внедрение видеоаналитики для контроля комплектации товаров на складе
Разработка крупной системы
OCR и распознавание 2D-чертежей для расчёта деталей
Разработка крупной системы
AI-видеоаналитика и распознавание QR для контроля сборки и упаковки заказов на складе
