Terreinbeheer
Van theorie naar praktijk
Het coördineren en opvolgen van de voertuigen die je terrein binnen- en buitenrijden is een belangrijke stap binnen het productieproces. Door het gebruik van AI in je terreinbeheer kun je operationele inefficiënties opsporen, laadtijden verminderen, rangeerwerkzaamheden optimaliseren, alsook de veiligheid op het terrein en de doorvoercapaciteit verhogen.
Toepassingen
Met behulp van camera's en beeldherkenningstechnologie, kun je automatisch elementen zoals vrachtwagens, containers, en personeel op je terrein detecteren. Dat brengt enorme voordelen met zich mee, voornamelijk omdat je een beter en real-time overzicht krijgt van de status van je terrein.
In een eerste geval laat AI-gestuurd terreinbeheer toe om makkelijk de uitvaltijd van vrachtwagens te registreren. Waar je met het blote oog op een druk terrein moeilijk elke vrachtwagens op elk moment in de gaten kunt houden, heeft een beeldherkenningssysteem hier geen problemen mee. Doordat je de uitvaltijd van vrachtwagens kunt registreren, krijg je de mogelijkheid om deze vrachtwagens in de toekomst efficiënter in te zetten. Met dezelfde beeldherkenningstechnologie kun je de doorvoer aan laadkades ook automatisch registeren. Doordat je deze doorvoer weet, kun je de doorvoer verhogen door slimmer vrachtwagens te koppelen aan specifieke laadkades.
Wanneer dagelijks veel vrachtwagens binnen- en buitenkomen, is een foute toewijzing van een aanhanger aan een vrachtwagen snel gebeurd. Een simpele fout die uiteindelijk verstrekkende gevolgen heeft als de vrachtwagen eenmaal de baan op is. Door middel van een beeldherkenningssysteem kun je dergelijke foutieve toewijzingen opsporen en het juiste plan van actie uitvoeren, zoals het transportbedrijf H.Essers doet.
Vertragingen en incidenten zijn natuurlijk ook een dagelijkse gebeurtenis bij het beheren van een terrein. Denk bijvoorbeeld aan slecht weer of files. Dergelijk factoren kunnen en zullen je terrein beheerplanning helemaal verstoren. Real-time inspelen op deze verstoringen is daarom van essentieel belang. Bij de Zwitserse Post plannen ze zo inkomende en uitkomende vrachtwagens in real-time met behulp van AI, rekening houdende met dergelijke verstoringen. Ze rapporteerde dat de invoer van dit systeem heeft geleid tot een 60% reductie in laadtijden.
Tot slot kan het gebruik van AI op het terrein ook de veiligheid verhogen. In bepaalde gevallen heb je bijvoorbeeld steriele omgevingen waar mensen niet toegelaten zijn. Beeldherkenningsystemen kunnen automatisch een signaal geven wanneer mensen zich toch in deze omgeving bevinden. Ook gevaarlijke situaties kunnen opgespoord worden voor ze schade aanrichten. Denk bijvoorbeeld aan een mogelijke botsing detecteren tussen een vrachtwagen en een werknemer die even niet aan het opletten is. Het voorkomen van dergelijke ongelukken verhoogt de veiligheid, maar beperkt tegelijkertijd ook de kosten verbonden aan die ongelukken.
Vereisten
Data
- Geannoteerde beelddata, volgende elementen horen geannoteerd te zijn
- ~Locatie in frame van verschillende te herkennen objecten (bijv. Trekker, trailer). Dit als entiteit, niet als individu.
- ~Beweegrichting van het te herkennen object
- Dataset met meerdere te herkennen objecten, elk meermaals te zien vanuit een andere hoek
- Dataset waarop bewegingen van objecten te tracken is. M.a.w. chronologische dataset waarin te detecteren objecten telkens in een andere positie te zien zijn
Hardware
- Camera’s
- Capaciteit voor beeldverwerking en beeldopslag
- Optioneel: sensoren
Algoritme
- Computervisie modellen
- Convolutioneel neuraal netwerk
Aandachtspunten
- Een probleem met meerdere lagen. Deze oplossing bestaat in principe uit meerdere stappen die elk een eigen algoritme vergen. Deze stappen zijn uiteengezet in het high-level stappenplan. Niettemin worden er in de literatuur ook oplossingen vermeld die als geheel getraind worden.
- Camera-overgangen moeten juist verwerkt worden. De oplossing moet eveneens werken wanneer er een camera-overgang plaatsvindt. Je trainingsdata dient dergelijke overgangen te bevatten. Het algoritme dat de objecten trackt moet dan weer “weten” welke beweegrichting van het object in frame 1 overeenkomt met welk entry point in frame 2.
- Gelijkenissen met zelfrijdende voertuigen. Het herkennen van objecten in een frame komt overeen met wat zelfrijdende auto’s doen die de weg monitoren. Waar de zelfrijdende auto in staat moet zijn om een relatief groot aantal verschillende objecten te detecteren in een frame (rand van de weg, andere auto’s, voetgangers, verkeerslichten, verkeersborden, andere obstakels...), kan het algoritme zich hier toespitsen op enkel hetgeen je in je yard wenst te tracken.
- Gelijkenissen met facial recognition. Het extraheren van de features van een object komt overeen met hetgeen facial security camera’s doen. Ook hier wordt een frame omgezet naar een abstracte set van features en wordt vervolgens vergeleken of deze features overeenkomen met een vorige observatie.
- Gerelateerde toepassingen kunnen je oplossing een boost geven. Voor beide voorgaande methodes kan er gebruik gemaakt worden van transfer learning, m.a.w. een model dat reeds getraind is op een andere, vergelijkbare dataset. Het is hoe dan ook noodzakelijk om deze getransfereerde modellen verder te trainen op je eigen data.
- Gebruik relevante en representatieve beelddata. De samengestelde dataset moet gebaseerd zijn op de huidige camera set-up. M.a.w. de resolutie, de invalshoek etc. moeten overeenkomen met hetgeen je straks operationeel zou waarnemen.
- Hou rekening met de omstandigheden en zorg dat deze vertegenwoordigd worden in je dataset. Weersomstandigheden en daglicht hebben een invloed op de zichtbaarheid van het menselijk oog, maar ook op dat van een computervisie model. Zorg ervoor dat je dataset frames bevat die gemaakt zijn op verschillende momenten van de dag en met verschillende weersomstandigheden. Voorzie ook beeldmateriaal van objecten die bijv. in en uit een schaduw bewegen, gedeeltelijk aan het zicht onttrokken zijn, veraf dan wel dichtbij staan etc.
Stappenplan
- Verzamelen en annoteren van beelddata
- Bouwen van object detection algoritme: algoritme om objecten inclusief richting te detecteren in frame
- Bouwen van feature extraction algoritme: algoritme dat een individu (bijv. Een trailer, een trekker...) vanuit verschillende invalshoeken kan herkennen als hetzelfde individu
- Toepassen van object detection algoritme op 2 opeenvolgende frames
- Toepassen van feature extraction algoritme op elk geïdentificeerd object
- Bepalen wek object uit frame 1 meest lijkt op object uit frame 2
- ~Vergelijken van geëxtraheerde object features op basis van een similarity measure
- ~Rekening houdend met de veronderstelde beweegrichting. Objecten die dicht bij elkaar staan in verschillende frames zijn wellicht hetzelfde indien de verschuiving overeenkomt met de beweegrichting
- Bij waarneming van een nieuw object (in principe telkens vanaf een fixed entry point), een ID koppelen aan het object. Vervolgens het object traceren doorheen de yard aan de hand van voorgaande methode.
Interessante links
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.