Sztuczna inteligencja nadzoruje pracę terminali morskich
Technologie sztucznej inteligencji opartej na uczeniu się maszynowym są wykorzystywane do rozpoznawania danych o kontenerach i ułatwiają wprowadzanie zmian w operacjach w terminalach kontenerowych. Jest to istotne rozszerzenie możliwości systemów optycznego rozpoznawania znaków (OCR) stosowanych w bramkach terminalowych.
Aby przekonać się jak istotne jest szybkie przetwarzanie informacji w transporcie intermodalnym można wyobrazić sobie zgubienie kontenera w jednym z dużych terminali morskich, które przeładowują nawet 100 tys TEU dziennie. W takim wypadku niemożliwe jest odnalezienie zgubionej jednostki w ciągu tego samego dnia a nawet tygodnia. Z tego powodu aby uniknąć strat na szeroką skalę stosuje się cyfrowe technologie monitorowania ruchu w terminalu. Automatyczna rejestracja kontenerów dostarcza danych dla systemu zarządzającego terminalem (TOS) aby poprawić efektywność pracy i uniknąć strat.
W latach 90-tych zaczęto wdrażać najpierw w portach azjatyckich, poźniej w innych regionach systemy rozpoznawania znaków OCR. Urządzenia te odczytują informacje takie jak numer kontenera, kod ISO, pojemność i wagę jednostki, numery rejestracyjne samochodów ciężarowych wjeżdżających i opuszczających terminal, numer VIN i numer rejestracyjny naczepy itp. Dane te przekazywane do centralnego systemu zarządzania operacjami na terminalach, pozwalają na usprawnienie pracy i minimalizację ryzyka pomyłek w przeładunkach. Urządzenia skanujące informacje montowane są przy bramach wjazdowych terminali, jak również na suwnicach i innych urządzeniach przeładunkowych.
Początki OCR
Pierwsza generacja systemów OCR opierała się na rozpoznawaniu pikseli obrazów oraz analizie statystycznej, dzięki czemu mogły zamieniać obraz na plik tekstowy (tak jak w skanerach). Urządzenia te zapewniały dość wysoką adekwatność odczytywania informacji, choć zdarzały się pomyłki jeśli napis był niewyraźny. Druga generacja oprogramowania wykorzystywanego w skanowaniu potrafiła rozpoznawać takie cechy obiektów jak kształt, kolor, teksturę. Dzięki temu możliwe stało się opracowanie systemów optycznego rozpoznawania funkcji (OFR) które dostarczają informacji taki jak ustawienie drzwi kontenera, rodzaj ładunku, pozycja kontenera na platformie itp. Równocześnie postępowały prace nad rozwojem konwolucyjnych sieci neuronowych, które mogłyby być przełomem w zastosowaniach OCR/CFR.
W tradycyjnych systemach OCR/OFR wszystkie kształty i inne właściwości obiektów muszą być zdefiniowane i zakodowane ręcznie. Powoduje to, że wprowadzenie zmian i rozszerzanie funkcjonalności oprogramowania jest czaso- i pracochłonne, ponadto OCR dawały czasem wyniki fałszywie pozytywne. Przełomową technologią, która pozwoliła na pokonanie tych trudności okazały się konwolucyjne sieci neuronowe, które pozwoliły na zastosowanie funkcji uczenia się głębokiego do opracowania systemu analizy skanowanych obiektów. Technologia ta szybko rozwinęła się po 2012 r. dzięki czemu sztuczna inteligencja może być dzisiaj stosowana w wielu praktycznych rozwiązaniach. Sieci neuronowe nie wymagają ręcznego kodowania definicji, ale same analizują tysiące obrazów i tworzą algorytmy do rozpoznawania pożądanych informacji.
Duża baza obrazów
Jednym z pionierów praktycznego wdrażania rozwiązań AI w branży transportowej jest belgijska firma Camco, która dostarczała systemy OCR/OFR do wielu terminali kontenerowych na całym świecie. Camco zebrało informacje pochodzące z dużej liczby kamer i wykorzystało je do nauczenia sieci neuronowych odczytywania kluczowych informacji o tym co dzieje się z kontenerami i ładunkiem w terminalach, w suwnicach, na wagonach kolejowych itp.
— Nasza duża baza danych wysokiej jakości obrazów dała nam pozycję lidera w automatyzacji terminali opartej na AI. Nowe aplikacje pomagają pracownikom terminali lepiej i bezpieczniej pracować. Automatyzacja wchodzi z prędkością światła w branżę żeglugi kontenerowej — komentuje Jan Bossens, prezes Camco Technologies.
Sztuczna inteligencja zrewolucjonizowała to jak działają komputery i jak możemy pracować z oprogramowaniem. Sieci neuronowe pracują podobnie jak ludzki mózg – uczą się przez doświadczenie. Programowanie nowych funkcjonalności polega na uczeniu pod nadzorem. Deweloper dostarcza dużą liczbę obrazów i kontroluje, czy system uczy się rozpoznawania potrzebnych informacji.
Poprawa niezawodności
Dzięki funkcji głębokiego uczenia się wprowadzanie zmian i nowych opcji do oprogramowania które analizuje dane z terminali zachodzi dużo szybciej i bardziej niezawodnie. Zmniejsza się też liczba błędnych odczytów OCR/OFR. Na przykład po wprowadzeniu systemów opartych na uczeniu się maszynowym do analizy obrazów z bram terminalowych odsetek poprawnie odczytanych numerów tablic rejestracyjnych ciężarówek wzrósł z poziomu 84-84,8% do 98-99,4% w terminalach w USA i Ameryce Południowej. Jest to jak widać spora poprawa!
Jednak wzrost niezawodności odczytywania informacji to nie wszystko. Sztuczna inteligencja daje operatorom terminali zupełnie nowe możliwości takie jak rozpoznawanie uszkodzeń kontenerów. Jest to skomplikowane zadanie, ale Camco rozwija obecnie technologię automatycznego wykrywania uszkodzeń. Informacje o uszkodzeniach są kluczowe, bo wyłączają kontener z dalszego użytkowania.
AI jest w stanie również przewidzieć ruch obiektów takich jak kontenery, co można wykorzystać do przyspieszenia pracy suwnic. Sieć jest w stanie rozpoznać także, czy kontener jest prawidłowo zabezpieczony, albo czy pod suwnicą znajdują się pracownicy.
— Sztuczna inteligencja jest najbardziej efektywną techniką wykorzystującą głębokie uczenie i sieci neuronowe do analizy obrazów. Wykorzystujemy również AI w innych zastosowaniach: w przewidywaniu ruchu chwytaków suwnic. Te informacje sterują naszymi ruchomymi kamerami montowanymi na szynach, ale ta konkretna aplikacja AI jest obecnie i jest używana w morskich terminalach kontenerowych na suwnicach STS — komentuje Alain Buyle | Global Marketing Communication Manager w Camco Technologies.
Systemy AI wymagają przygotowania odpowiedniego sprzętu komputerowego na którym mogą pracować. Co ciekawe w przeciwieństwie do klasycznego oprogramowania wykorzystują one moc obliczeniową procesorów graficznych. Camco Technologies wykorzystuje procesory Intel I3, ale najbardziej zaawansowane kamery wyposażono w Coral Accelerator Module i Google Edge TPU. Te procesowy zamontowano w kamerach. Takie rozwiązanie zapewnia dużą szybkość i likwiduje problem opóźnień w przesyłaniu informacji, który pojawia się np. przy stosowaniu obliczeń w chmurze. Technologia rozpoznawania obrazów oparta na AI staje się w terminala intermodalnych podstawą efektywnych operacji, poprawiając zdolności przeładunkowe i przyspieszając załadunek na pociągi i samochody ciężarowe.
Możliwość komentowania została wyłączona.
