SITA

 

 

Das Problem: Zu viel Personal für die Überwachung des Self-Check-ins

An den Self-Check-in-Schaltern war zusätzliches Personal erforderlich, um zu überprüfen, was die Reisenden eincheckten. Es bestand die Möglichkeit, dass jemand Gegenstände eincheckte, die auf den Förderbändern stecken bleiben oder umkippen könnten. Denken Sie an Objekte wie Rucksäcke mit Gurten oder Kinderwagen. Gegenstände, die nicht herausgefiltert werden, können zu Störungen im System führen und somit Verzögerungen verursachen.

 

Die Herausforderung: automatische Erkennung nicht förderfähiger Objekte

Die Hauptaufgabe bestand in der Entwicklung eines Algorithmus, der niedrig aufgelöste 3D-Bilder in Form von Punktwolken analysieren kann. Der Algorithmus musste in der Lage sein, verschiedenste Objekte herauszufiltern und zu prüfen, ob der Reisende die Anweisungen befolgt und den Gegenstand in eine Wanne gelegt hatte. Außerdem musste der Algorithmus runde und zylindrische Objekte sowie aufrecht stehende Koffer oder mehrere Koffer erkennen. Unten sehen Sie ein Beispiel einer Punktwolke, für die unsere Algorithmen entwickelt wurden.

 

Lösung durch Bildanalyse

Dank unseres kreativen Einsatzes statistischer Techniken gelang es uns zunächst, die Wannen in einer Punktwolke zuverlässig zu erkennen. Dies war unser erstes Ziel. Wir erreichten dies, indem wir ein „durchschnittliches“ Bild einer Wanne mittels einer Reihe von Filterfunktionen erzeugten. Anschließend wendeten wir diese Funktionen auf neue Scans an, und über eine zusammengesetzte Kostenfunktion entschied der Algorithmus, wie gut der gefilterte Scan zur „durchschnittlichen“ Wanne passte. Auf diese Weise konnten wir 98 % aller Wannen erkennen – ein sehr gutes Ergebnis, da die Anforderung bei 90 % lag. Die größte Herausforderung bestand darin, dass einige Förderbänder die Objekte so schnell durch den Scanner transportierten, dass Teile des Wannenrandes vom SIC-Scanner nicht erfasst wurden.

Schließlich wurden wir beauftragt, so viele nicht förderfähige Objekte wie möglich herauszufiltern. Dazu gehörten vor allem aufrecht stehende Koffer, mehrere Objekte (auch wenn sie sich berührten), runde oder zylindrische Objekte sowie Gegenstände mit Gurten wie Rucksäcke. Diese Objekte mit Gurten mussten nach Möglichkeit in eine Wanne gelegt werden. Für die Gurt-Erkennung nutzten wir erneut verschiedene statistische und numerische Techniken, um unseren Algorithmus zu trainieren, den Unterschied zwischen einer Box und einem „Oktopus“ zu erkennen. Wir entwickelten eine Volumenverteilungsfunktion, die die Volumenverteilung in mehreren Richtungen analysiert, und identifizierten eine Reihe von Parametern, anhand derer der Computer entscheiden kann, ob es sich um eine Tasche mit Gurten oder um einen Koffer handelt. Selbst Koffer mit großen Etiketten wurden korrekt von Rucksäcken unterschieden. Für runde, zylindrische und aufrecht stehende Objekte schrieben wir relativ einfache Funktionen. Die Erkennung „mehrerer Objekte“ war ebenfalls herausfordernd, insbesondere wenn sich die Objekte berührten und in einer V-Form ausgerichtet waren. Letztlich erkannte der Algorithmus auch diese Fälle korrekt durch den kreativen Einsatz mathematischer und numerischer Methoden.

Tags

C++, Python, OpenCV, PCL, Point Cloud Library, Mathematik, Statistik, Algorithmen

{ARTICLES}