Wegen Inventur geschlossen: Kaufleute sind laut §240 des Handelsgesetzbuches in Deutschland mindestens einmal im Jahr dazu verpflichtet, ihren Lagerbestand zu zählen. Eine Inventur sorgt für Transparenz, deckt ineffiziente Prozesse auf und kann sogar Betrugsfälle entlarven. Das manuelle Zählen ist allerdings immer noch mit einem hohen Aufwand verbunden und erfordert mitunter zusätzliches Personal. Gerade in Zeiten des Fachkräftemangels sollten sich Mitarbeiter besser mit wertschöpfenden Tätigkeiten befassen. Unternehmen arbeiten daher in der Praxis häufig mit Stichproben oder Teilinventuren, die aber entsprechend ungenau sind.
Inventur mit Drohnen auf dem Vormarsch
Eine Automatisierung und Zeitersparnis verspricht die Inventur mit Drohnen. Bisher wurden vor allem zwei Ansätze verfolgt:
– Lokalisierung und Identifizierung von Produkten mithilfe von RFID-Tags: Wenn die Produkte schwierig zu erreichen sind, etwa in Hochregalen, werden heute schon teilweise Drohnen eingesetzt, die mit einem RFID-Reader ausgestattet sind und RFID-Tags von Produkten und Paletten in der Nähe auslesen können. Der Aufwand zum Anbringen der Tags ist aber hoch.
– Auslesen von optischen Produktmerkmalen: Das Auslesen von Annotationen wie Barcodes oder QR-Codes ist eine Lösung mit viel Potenzial und schnellen Erfolgen. Leider sind häufig keine Annotationen an Produkten oder Ladungsträgern angebracht.
Bis zu 90 Prozent Zeitersparnis
Die KI-basierte Bildverarbeitung in der Kombination mit Drohnen hat riesiges Potenzial in der Logistik. Dennoch gibt es dazu bisher nur sehr wenige Forschungsansätze. Das ändert jetzt eine Forschungskooperation der Abteilung Wirtschaftsinformatik der Universität Oldenburg und der abat AG in Bremen gemeinsam mit dem Getränkegroßhändler Essmann, einem der größten Getränkehändler in Deutschland mit Sitz in Lingen (Ems). An der Ware und den Paletten gibt es keinerlei Merkmale zur Identifikation wie RFID oder Bar-/QR-Codes. Gemeinsam haben die Partner eine Inventurmethode entwickelt, die mit einer Drohne und KI-Algorithmen arbeitet. Die Zeitersparnis ist enorm: Bisher verschlang ein Inventurlauf bei diesem Getränkehändler bis zu 24 Personentage – je Standort. Mit der Lösung reduziert sich dieser Zeitaufwand um bis zu 90 Prozent, so die Erfahrung von Data Scientist René Kessler von der Universität Oldenburg.
Das Verfahren arbeitet in drei Stufen: Zunächst werden die Paletten auf den Bildern erkannt, dann werden die identifizierten Objekte lokalisiert und schließlich klassifiziert, um so den Paletten einen monetären Wert zuzuordnen. Dabei bezieht der Service sowohl die Front- als auch die Vogelperspektive der Waren in die Analyse ein, um auch in Reihen gestapelte Paletten zu erkennen. Zum Einsatz kommen dabei vor allem Convolutional Neural Networks und Transformer Networks sowie diverse Verfahren aus der Bildvorverarbeitung.
