Zebra Technologies Corporation udostępniła zbiór danych STRIPES (Sim-to-Real Industrial Perception for Warehouse Scenes) do trenowania modeli analizy obrazu w magazynie. Badacze spółki połączyli generatywną sztuczną inteligencję z zasadami fizyki, żeby zmniejszyć różnicę między sceną syntetyczną a rzeczywistym składowaniem pudeł na regale, na podłodze i palecie oraz przy załadunku samochodu ciężarowego. Wyniki przedstawiono na 19. Europejskiej Konferencji ECCV, która odbyła się w dniach 8–12 września 2026 r. w Malmö.
Trzydzieści tysięcy obrazów i milion obiektów
Zbiór STRIPES powstał bez statycznych modeli 3D jako jedynego źródła. Generatywna AI dała bazę 30 000 obrazów z 3 000 unikalnych tekstur i geometrii pudeł oraz z milionem oznaczonych obiektów. Osobny etap odwzorowuje zużycie: zgniecenia, wgniecenia, kurz na powierzchni i folię stretch, które pojawiają się przy przenoszeniu i transporcie. Trzeci etap korzysta z symulacji grawitacji. Pudła układają się ciasno, przechylają się i blokują wzajemnie, tak jak na regale, przy przygotowaniu ładunku na podłodze i przy załadunku naczepy.
Trzy fazy pracy magazynu wracają w tym samym zbiorze. Model ma rozpoznać pudło ustawione równo na półce, stos na posadzce i warstwę w naczepie, gdzie krawędzie nachodzą na siebie i zasłaniają znak. Zespół testował zbiór na kompaktowych modelach analizy obrazu, przygotowanych do pracy w czasie rzeczywistym bezpośrednio na urządzeniach używanych w magazynie.
Dokładność detekcji wyższa o 4,9 procent
Trening na STRIPES, a potem dopasowanie modelu do danych z rzeczywistego środowiska, podniósł dokładność wykrywania obiektów nawet o 4,9% wobec modeli opartych wyłącznie na zdjęciach z hali albo wyłącznie na tradycyjnych zbiorach syntetycznych. Chodzi o średnią precyzję detekcji, nie o osobny wskaźnik jakości nadruku.
– Udostępniając zbiór danych STRIPES, oddajemy w ręce środowiska akademickiego i biznesowego, a także naszych partnerów i klientów, nowe, zaawansowane narzędzie, które pomoże rozwijać inteligentne rozwiązania automatyzujące pracę – mówi Andrea Mirabile, Senior Director of AI Research w Zebra Technologies.
Zebra Technologies Corporation jest notowana na Nasdaq jako ZBRA. Spółka z Lincolnshire w Illinois od 1969 roku projektuje skanery kodów, komputery mobilne, czytniki RFID oraz drukarki termiczne etykiet, paragonów, opasek i kart.
Folia stretch i kod na pudle
Kamera w magazynie nie widzi katalogowego kartonu. Widzi zgniecioną krawędź, kurz i warstwę stretchu na nadruku. Ten sam karton wychodzi z maszyny fleksograficznej albo cyfrowej z kodem, datą partii i etykietą termiczną. Jeśli folia albo wgniecenie zasłoni znak, model analizy obrazu traci obiekt tak samo, jak skaner traci kod na sortowni. STRIPES dokłada te uszkodzenia do treningu, zamiast zostawiać model przy gładkim pudle z renderu.
Zastosowanie zbioru da się później rozszerzyć na sterowanie robotami przy chwytaniu i przenoszeniu obiektów oraz na budowę trójwymiarowych modeli przestrzeni. Na razie pomiar dotyczy wykrywania obiektów na urządzeniu pracującym przy regale, przy stosie na posadzce i przy naczepie.
– Nasze badania i rozwiązania pomagają łączyć świat fizyczny, dane, AI i procesy operacyjne. Pokazujemy, jak AI wykorzystywana bezpośrednio w codziennej pracy może ułatwiać monitorowanie zasobów i wspierać pracowników w realizacji zadań – podkreśla Mirabile.
ECCV w Malmö i wcześniejszy RetailVision
Zespół zaprezentował wyniki na ECCV, jednej z głównych konferencji poświęconych analizie obrazu. Wcześniej Mirabile wraz z zespołem zajął drugie miejsce w konkursie RetailVision Workshop przy konferencji Computer Vision and Pattern Recognition (CVPR), w stawce 650 zespołów.
Zbiór STRIPES jest dostępny na platformie Zenodo dla uczelni, partnerów i klientów. Drukarnia etykiet i konwerter opakowań nie trenują na nim modelu. Dostarczają pudło i etykietę, które ten model ma rozpoznać po transporcie, gdy karton jest już zgnieciony i owinięty folią stretch.
Na podstawie informacji firmy Zebra Technologies Corporation
