Système de Vision 3D pour la depalettisation automatique

NTN-SNR, filiale du groupe japonais NTN, est un leader mondial dans la fabrication de roulements et de solutions de transmission de puissance. Basée à Annecy, en France, l'entreprise fournit des solutions innovantes pour les secteurs de l'automobile, de l'aéronautique, du ferroviaire et de l'énergie. Elle se distingue par sa qualité, son expertise technique et son engagement en matière de recherche et développement durable. Dans cette démarche d'innovation, NTN-SNR a sollicité INNODURA pour intégrer INNOROBOT, notre logiciel de guidage robot adaptatif et de vision 3D, dans leur processus de dépalettisation.

INNODURA a développé une unité d'emballage automatique innovante pour les kits de pièces NTN. Cette unité repose sur un système de vision 3D avancé capable de localiser des boîtes unitaires de pièces (BU) dans l'espace. Le principal défi réside dans la variabilité de taille et de forme des BU, avec environ 30 types différents et l'ajout potentiel de nouveaux modèles à l'avenir. Le système de dépalettisation accomplit plusieurs fonctions clés :
‍
- Dépalettiser entièrement chaque unité de manipulation de BU, couche par couche, sans prélever de boîtes de la couche inférieure avant d'avoir terminé la couche en cours.
‍
- Localiser avec précision les BU en transmettant au robot leur position (X-Y-Z), orientation et dimensions, tout en évitant les collisions.

Grâce à un algorithme breveté combinant IA et vision 3D développé par INNODURA, INNOROBOT est capable de gérer cette diversité en segmentant précisément les images et en générant un nuage de points pour chaque BU. Le système INNOROBOT est capable de localiser les boîtes, de calculer leur vecteur de prise et de vérifier les collisions avec la palette. Ce système est entièrement intégré dans la ligne de production via un automate programmable (PLC). INNODURA assure également l'installation et la validation sur site. Notre solution garantit une détection précise, même avec des sérigraphies ou des tailles non connues à l'avance. Si des exceptions se présentent à l'avenir, nous pourrons réentraîner le modèle avec les nouvelles données pour maintenir un haut niveau de performance.