SITA

Das Problem: Übermäßiger Personaleinsatz zur Überwachung von Self Check-in

Um die korrekte Nutzung von Self-Check-in-Systemen sicherzustellen, war es erforderlich, dass Supportpersonal den Prozess überwacht und die eingecheckten Gegenstände überprüft. Passagiere konnten unbeabsichtigt – oder absichtlich – ungeeignete Objekte auf die Förderbänder legen, wie z. B. Rucksäcke mit losen Gurten oder Kinderwagen.

Solche Gegenstände konnten während des Transports stecken bleiben oder herunterfallen, was zu Systemstörungen und betrieblichen Verzögerungen führen konnte.

Die Herausforderung: Automatische Erkennung nicht förderfähiger Objekte

Die zentrale Herausforderung bestand in der Entwicklung eines Algorithmus, der in der Lage ist, niedrig aufgelöste 3D-Punktwolkendaten zu analysieren. Das System musste eine Vielzahl von Objekttypen zuverlässig erkennen und filtern sowie überprüfen, ob Passagiere die Anweisungen einhalten – beispielsweise das Platzieren von Gegenständen in Wannen (Trays).

Zusätzlich musste der Algorithmus in der Lage sein:

Eine Vielzahl von Objekttypen zu identifizieren und zu filtern
Zu überprüfen, ob Gegenstände korrekt in Wannen (Trays) platziert wurden
Nicht förderfähige Objekte zu erkennen, wie zylindrische oder runde Gegenstände, aufrecht stehende Koffer sowie mehrere überlappende Objekte

Die Lösung: Fortschrittliche Bildanalyse

Durch den Einsatz einer Kombination aus statistischen und numerischen Verfahren konnten wir erfolgreich einen Algorithmus entwickeln, der Wannen in Punktwolkendaten erkennt – unser ursprüngliches Ziel.

Dies wurde erreicht, indem ein „durchschnittliches“ Wannenmodell mithilfe einer Reihe von Filterfunktionen erstellt wurde. Eingehende Scans wurden anschließend anhand einer zusammengesetzten Kostenfunktion mit diesem Modell verglichen, wodurch das System bestimmen konnte, wie gut ein Scan der erwarteten Wannenstruktur entspricht.

Dieser Ansatz führte zu einer Erkennungsrate von 98 % und übertraf damit deutlich die geforderten 90 %. Eine der größten Herausforderungen bestand im Umgang mit unvollständigen Scandaten, die durch hohe Förderbandgeschwindigkeiten verursacht wurden und gelegentlich zu einer nur teilweisen Erfassung der Wannenränder führten.

Nach der Wannen-Erkennung wurde der Algorithmus erweitert, um nicht förderfähige Objekte zu identifizieren, darunter:

Aufrecht stehende Koffer
Mehrere Objekte (auch wenn sie sich berühren)
Zylindrische oder runde Gegenstände
Gegenstände mit Gurten (z. B. Rucksäcke)

Für die Erkennung von Gurten entwickelten wir eine Volumenverteilungsfunktion, die die Geometrie eines Objekts in mehrere Richtungen analysiert. Dadurch konnte das System zwischen strukturierten Formen (z. B. Koffern) und unregelmäßigen Formen (z. B. Taschen mit Gurten) unterscheiden. Selbst Koffer mit großen Etiketten wurden zuverlässig von Rucksäcken unterschieden.

Die Erkennung zylindrischer, runder und aufrechter Objekte wurde mithilfe effizienter geometrischer Analyseverfahren umgesetzt. Die Identifikation mehrerer Objekte – insbesondere wenn sie sich berühren oder in komplexen Anordnungen wie einer „V“-Form liegen – erwies sich als anspruchsvoller, konnte jedoch letztlich durch fortgeschrittene mathematische Modellierung gelöst werden.

Technologien

C++, Python, OpenCV, PCL, Mathematik, Machine Learning, Algorithmen