Optimiertes, roboterbasiertes Vereinzeln und Sortieren dünner Blechteile

In Kürze

Besonders dünne und glänzende Teile sind aktuell noch eine Herausforderung für roboterbasiertes Vereinzeln zum Beispiel von Fließbändern und für Griff-in-die-Kiste-Lösungen, insbesondere wenn sie mit vielen Löchern versehen sind. In dem SoSta (Sorter and Stacker) genannten Pilotprojekt wurde mithilfe eines flexiblen Greifers, leistungsstarker Bildverarbeitungsalgorithmen und maschinellen Lernens eine Lösung entwickelt, mit der ein Roboter auch diese schwer greifbaren Teile in unsortierten Bereitstellungssituationen oder von wenig kontrastreichen Oberflächen erfolgreich erkennen, greifen und sortiert ablegen kann.

Im Detail

Die Projektpartner entwickelten einen einfach zu bedienenden Roboter zum Greifen und Handhaben von Blechteilen. Dafür adaptierten sie das flexible Greifkonzept von Formhand für flache Blechteile und setzten es zusammen mit der Bildverarbeitungssoftware bp3^TM vom Fraunhofer IPA im Projekt ein. Der entstandene Greifer, der sich an verschiedene Materialien und Formen anpassen kann, kam in zwei Beispielszenarien zum Einsatz.

Im ersten Szenario werden Blechteile von einem Förderband vereinzelt. Dabei wurde softwareseitig die Lokalisierung sowie die Greifplanung der Bauteile für die Entnahme von einem Förderband entwickelt. Nach dem Greifen eines Teils wird die Lage verifiziert und bei Bedarf korrigiert, damit es sauber abgelegt werden kann.

Im zweiten Szenario wurden Ansätze zur verbesserten Lokalisierung von flachen, glänzenden Blechteilen in Kisten umgesetzt, denn diese Blechteile sind besonders am Kistenboden oft schwer zu erkennen. Der Roboter kann die Kiste dann nicht vollständig entleeren. Um dies zu verbessern, wurde das eingesetzte Lokalisierungsverfahren dahingehend angepasst, dass es sich auf die Kanteninformationen der Blechteile fokussiert. Wichtig ist hier der Umgang mit schwachen Kontrasten: Etwa zwischen einem Kistenboden und dünnen Werkstücken verschmelzen die von der Software generierten 3D-Punktewolken von der Kiste und den zu erkennenden Teilen. An dieser Stelle kommt erstmals unterstützend Deep Learning zum Einsatz, um die Punktewolken zu segmentieren und für Bildverarbeitungsalgorithmen leichter verarbeitbar zu machen. Anschaulich gesprochen, schneidet das neuronale Netz dabei die Bereiche der Punktewolke mit Werkstücken aus und übergibt diese an die weitere Bildverarbeitung. So können auch die dünnen und glänzenden Teile erfolgreich erkannt, gegriffen und sortiert werden.

Beide Szenarien sind leicht in Betrieb zu nehmen und hoch flexibel, da mögliche Greifpunkte an Blechteilen automatisch generiert und auch die Ablagepositionen auf Palletten automatisch bestimmt werden. Zudem ist die im Projekt entstandene Roboterzelle variabel einsetzbar und leicht zu montieren. Das unten verlinkte Video demonstriert den Aufbau sowie die Abläufe in der Roboterzelle.

Das Video zeigt den gesamten Demonstrationsablauf des Projekts: Der flexible Greifer nimmt ein Werkstück von einem Fließband oder aus einer Kiste. Per Kamera wird automatisch überprüft, in welcher Position sich das Teil befindet. Anschließend wird der Greifer für die Ablage passend positioniert, um es nahtlos auf weitere, bereits vereinzelte Teile zu stapeln. Neue Werkstücke können einfach über vorhandene 2D-Zeichnungen in das System eingepflegt werden, sodass die Bildverarbeitung diese erkennen kann.

Projektpartner

Arnold AG, Formhand Automation GmbH, Trumpf Werkzeugmaschinen GmbH & Co. KG, Danish Technological Institute

SoSta war ein Pilotprojekt im Rahmen des EU-Projekts ROBOTT-NET. Projektpartner in ROBOTT-NET waren das Danish Techological Institute (DTI) in Dänemark, das Manufacturing Technology Centre (MTC) in Großbritannien und Tecnalia in Spanien. Die EU förderte das Projekt im Rahmen ihrer H2020-Initiative. ROBOTT-NET lief vom 01.01.2016 bis zum 31.12.2019, SoSta vom 01.02.2018 bis 30.11.2019.