Flera hundra miljoner containrar fraktas över världshaven varje år. Nu ska AI göra på- och avlastningen smartare, effektivare och säkrare.
– Vi använder kameror, AI och maskininlärning för att automatisera och förbättra beslutsunderlaget för hamnens kranförare, säger Isak Rydhäll, ingenjör inom computer vision på BitSim NOW*.
Föreställ dig en robot picker – du vet en sådan där robot som hänger över ett löpande band och plockar kakor för att lägga dem i kartonger? En sådan automationslösning styrs genom ett vision-system baserat på AI med bildigenkänning och ger fördelar som ökad effektivitet, mindre risk för arbetsskador och lägre kostnader.
Nu ska samma princip appliceras på Brommas stora lyftkranar i hamn som i stället för kakor – lyfter containrar. Tyngre teknik, större utmaningar – men med en enorm potential.
– AI är ett väldigt brett begrepp som de flesta säkert kopplar till Large Language Models som ChatGPT men den typen av AI vi pratar om här innebär träning och implementering av artificiella neurala nätverk för bildigenkänning, säger Isak.
Initialt är uppdraget att förbättra beslutsunderlaget för hamnens kranförare som hanterar många på- och avlastningar varje dag. Fördelen med att få rekommendationer och beslutsunderlag från ett AI är att det aldrig tröttnar eller tappar koncentrationen och dessutom kan mjukvaran processa stora mängder data på väldigt kort tid.
På längre sikt finns det potential att helt automatisera på- och avlastningen av fartygen. Men först behöver AI tränas för att känna igen olika typer av containrar, identifiera defekter som kan påverka lyftets säkerhet och särskilja olika vinklar.
Isak Rydhäll
– I dag har vi samlat in närmare 10 000 bilder av olika containrar som vi tränar AI med. Utmaningen är att det finns så många olika varianter, även av standardcontainrarna, så för att försäkra oss om att AI blir effektivt och säkert behöver vi träna med extremt många bilder, säger Isak.
Vinsterna med att implementera AI och vision-system för containerhanteringen är att kranförarna får ett bättre beslutsunderlag eftersom de ser objekten ur fler vinklar. AI kan bidra till att containrarna kan förflyttas snabbare och samtidigt säkerställa en mjuk nedsättning med hjälp av beräkningar av avstånd och yttre påverkansfaktorer som vindens hastighet.
– Förutom att effektivisera arbetet får vi också en dokumentation av de containrar som kommer in med hjälp av kamerorna i vision-systemet. Det gör att det aldrig är någon tvekan om det är hanteringen i hamn som har orsakat eventuella skador på en container eller om det skett tidigare, säger Niclas Jansson, teknisk säljare på BitSim NOW.
Den tuffa miljön – en teknisk utmaning
En av de tekniska utmaningarna i projektet är den hårda och tuffa miljön. För precis som det är en teknisk utmaning att använda AI i gruvor med mörker, damm och smuts så påverkar de salta vindarna och den stora yttre påfrestningen på utrustningen valet av hårdvara. Vilket i sin tur ställer nya krav på mjukvaran.
– Att använda sig av rätt kamera och rätt ljus är en av nycklarna för att få fram ett system, säger Isak. I tuffa miljöer som i anslutning till haven med dess salta vindar så ställer det krav på hårdvaran, och utifrån den får vi sedan designa mjukvaran, tillägger han.
Nästa utmaning är att få systemen att prata med varandra. Ofta finns redan ett styrsystem som används vid på- och avlastning vilket gör att mjukvaruutvecklingen behöver anpassas så att AI-lösningen kan synkas med det befintliga systemet.
Om realtidsdata används så är det viktigt att fundera över hur stora bilderna behöver vara, och om AI behöver helhetsbilden eller om det räcker att den enbart ser konturerna av objektet.
– I mjukvaruutvecklingen är det många faktorer att fundera över, dels för att säkerställa ett så effektivt och säkert system som möjligt. Men också hur det påverkar energiförbrukningen, lagringen av data och hur systemet arbetar ihop med andra system, säger Isak.
– Det finns många aspekter att ta hänsyn till både vad det gäller hård- och mjukvara men tillsammans med våra kunder hittar vi de bästa lösningarna, avslutar Niclas.
Tre tips från Isak och Niclas
- Titta på de monotona uppgifterna. Till exempel – allt en människa behöver avsyna för att kvalitetssäkra kan ett AI göra lika bra.
- Fundera över var du skulle behöva använda bildigenkänning (ersätter människans syn) eller var du skulle kunna använda ljud (ersätter människans hörsel) för att effektivisera eller kvalitetssäkra.
- Ta hjälp! Det finns många oerhört kompetenta människor som kan stötta er, och säkerställa att the return on investment blir riktigt bra.
*BitSim NOW är specialister på machine vision, mjukvara, kameradesign, elektronik, embedded computing, test- och produktverifiering och mekanik. De är placerade i Kista och ingår sedan 2022 i Prevas-koncernen som är medlemmar i Automation Region.
Text: Elin Glimberg
