Identification par code à barres : avec les meilleures recommandations de l'IA

L'utilisation de l'intelligence artificielle (IA) peut s'avérer très utile lorsqu'il s'agit d'identifier les codes à barres sur les marchandises. Les facteurs d'interférence sont identifiés rapidement et facilement, aussi bien lors de la mise en service d'un système que pendant l'exploitation.

Lorsque les lecteurs de code à barres sont utilisés dans des applications automatisées, l'objectif principal est d'obtenir la meilleure qualité de lecture possible. La qualité avec laquelle les lecteurs de codes à barres détectent les étiquettes varie. Elle est indiquée en pourcentage du contraste détecté. Si la valeur est inférieure à un certain seuil, l'étiquette n'est plus lue. L'un des défis auxquels sont confrontés les opérateurs de systèmes est de retrouver le plus rapidement possible les lecteurs de codes à barres lorsqu'ils n'offrent plus une qualité de lecture suffisante, et d'en déterminer les raisons. Sans données supplémentaires concernant les sources d'erreur possibles, cette tâche peut prendre beaucoup de temps. En particulier dans les grands systèmes, par exemple en intralogistique, qui comptent jusqu'à 1 000 lecteurs de codes à barres et des itinéraires de transport d'un kilomètre de long. En cas de doute, un technicien doit retracer tout le parcours d'un matériel de transport afin d'identifier un capteur mal aligné ou les facteurs d'interférence dans son environnement direct, tout en étant pressé par le temps.

Facteurs qui influencent la qualité de lecture
Les capteurs surveillent leur propre état et transfèrent les données au système supérieur via OPC UA. Cependant, cette autosurveillance n'a qu'une fonctionnalité très limitée : un capteur ne considère que sa propre vue. Cela signifie qu'il envoie des informations telles que « je suis en train de lire », « lecture excellente » ou « lecture très mauvaise », c'est-à-dire le pourcentage de qualité de lecture calculé. La raison de la mauvaise qualité de lecture ne peut pas être identifiée par l'appareil individuel. Il existe trois facteurs d'influence possibles dans ce cas : l'appareil lui-même, l'étiquette du code à barres et les facteurs d'interférence dans l'environnement.

Les sources d'erreur possibles liées au lecteur de codes à barres lui-même comprennent un mauvais alignement par rapport aux étiquettes à détecter ou un défaut technique. De leur côté, les étiquettes peuvent être endommagées, souillées ou mal imprimées, ce qui réduit la qualité de lecture ou empêche complètement l'identification. Les facteurs d'interférence dans l'environnement comprennent les vibrations, la poussière et l'éblouissement causé par la lumière du soleil ou les émetteurs en arrière-plan. L'humidité, par exemple dans les entrepôts frigorifiques, peut être un facteur d'interférence si elle provoque de la buée sur la fenêtre de lecture du lecteur de codes à barres.

L'intelligence artificielle fournit le contexte
L'IA aide à distinguer les différentes causes les unes des autres et à identifier les raisons des interférences ou de la mauvaise qualité de lecture. Leuze travaille avec un constructeur automobile pour développer une solution qui améliore les capteurs avec des données provenant du contexte global. L'avantage de cette solution est que les lecteurs de codes à barres restent opérationnels comme d'habitude sans que le client n’ait à fournir un travail supplémentaire lors de l'installation. Les volumes de données sont importants : de nombreuses étiquettes passent devant de nombreux lecteurs de codes à barres au cours du processus et sont lues à différents endroits de l'installation.
En termes mathématiques, le contexte global est décrit comme une équation avec de nombreuses inconnues - d'innombrables lecteurs de codes à barres, des étiquettes qui apparaissent encore plus fréquemment et les différents emplacements d'installation des lecteurs. À chaque station et pour chaque étiquette, le résultat est différent en terme de pourcentage de qualité de lecture. L'IA résout ce système d'équations compliqué et identifie si une mauvaise qualité de lecture se produit toujours avec un lecteur de codes à barres particulier, uniquement avec une étiquette ou un type d'étiquette particulier ou toujours à un emplacement d'installation particulier.

Apprentissage automatique via des algorithmes de recommandation
Leuze utilise des algorithmes de recommandation basés sur l'IA. Ce sont les mêmes méthodes que celles utilisées par les services de streaming pour évaluer le comportement des utilisateurs et recommander des films ou des séries. Dans cette analogie, les codes-barres correspondent aux films et les lecteurs aux utilisateurs. L'algorithme de recommandation évalue une étiquette comme étant plus ou moins attrayante pour différents lecteurs. De cette manière, il est possible de déterminer quel capteur ou quelle étiquette avec un certain pourcentage est non attrayant, c'est-à-dire à la limite ou sensiblement problématique.

Par dispositif périphérique ou cloud
D'un point de vue technique, une telle solution basée sur l'IA est mise en œuvre via un ou plusieurs appareils périphériques qui recueillent, analysent et transmettent les données du groupe de capteurs. Un périphérique est capable de communiquer dans les deux sens, en recueillant et en évaluant les données mais aussi en renvoyant l'analyse aux capteurs, un lecteur peut également transmettre ces informations et signaler un problème. L'avantage de cette solution est qu'il n'est pas nécessaire de modifier l'architecture informatique du client. La solution peut également être exploitée via un cloud si des données provenant de sites distincts doivent être fusionnées.

Un potentiel d'économies important
L'approche de Leuze offre des avantages tant lors de la mise en service que pendant l'exploitation d'un système. Une mise en service rapide permet de gagner du temps et de l'argent. Pendant le fonctionnement, cette méthode permet une maintenance prédictive. Cela signifie que si un arrêt est bientôt nécessaire, les exploitants du système peuvent prendre les mesures appropriées à temps et, par exemple, fabriquer et externaliser à l'avance afin de pouvoir continuer à approvisionner leurs clients. Dans certains cas, les données de plusieurs années sont utilisées pour faciliter cette détection précoce. En outre, le système apprend en permanence.

  Demander plus d’information…