Leitores de código de barras são sensores usados ​​para identificar bens e materiais em produção ou logística. Eles fazem isso detectando códigos de barras que atendem a um dos vários padrões e, em seguida, fornecendo as IDs dos códigos de barras a um sistema superior. 

Ao utilizar esses dispositivos em aplicações automatizadas, o principal objetivo é obter a maior qualidade de leitura possível: Basicamente, quando os leitores de código de barras detectam as etiquetas, a qualidade com que realizam essa tarefa varia, e essa qualidade pode ser indicada em porcentagem. A porcentagem refere-se ao contraste detectado. Se o valor estiver abaixo de um determinado limite, o rótulo não será mais lido.

Um desafio enfrentado pelos operadores do sistema é encontrar leitores de código de barras o mais rápido possível quando eles não estiverem mais fornecendo qualidade de leitura suficiente e determinar as razões para isso, sem dados adicionais sobre as possíveis fontes de erro, isso pode ser um tempo- tarefa consumidora. 

Particularmente em grandes sistemas, por exemplo em intralogística, que possuem até 1.000 leitores de código de barras e percursos de transporte com quilômetros de extensão, a busca é como tentar algo quase impossível: em caso de dúvida, um técnico deve traçar todo o percurso de um transporte material para identificar um sensor mal alinhado ou os fatores interferentes em seu ambiente direto, tudo sob pressão do tempo.

A situação é agravada por casos limítrofes, como quando o leitor de código de barras está um pouco alinhado e lê com sucesso na maioria das vezes, mas ocasionalmente não detecta etiquetas. Isso pode ocorrer porque o leitor de código de barras está ligeiramente inclinado ou lê apenas na área da borda, ou outros fatores podem desempenhar um papel, por exemplo, etiquetas de qualidade insuficiente.

Fatores que influenciam a qualidade da leitura

No entanto, a geração de dados correspondentes para encontrar as causas dos erros usando o próprio leitor de código de barras só é possível em determinadas circunstâncias. É verdade que os sensores monitoram seu próprio status e transferem dados para o sistema superior via OPC UA, se necessário. No entanto, esse automonitoramento tem apenas uma funcionalidade muito limitada, um sensor considera apenas sua própria visão. Isso significa que ele envia informações como “Estou lendo no momento”, “Leitura excelente” ou “Leitura muito ruim”, ou seja, sua qualidade de leitura percentual calculada. 

A razão para a baixa qualidade de leitura não pode ser identificada pelo dispositivo individual. Existem três possíveis fatores influentes neste caso: O próprio dispositivo, a etiqueta do código de barras e fatores interferentes no ambiente. Possíveis fontes de erro relacionadas ao próprio leitor de código de barras incluem mau alinhamento com as etiquetas a serem detectadas ou uma falha técnica. Por sua vez, as etiquetas podem ficar danificadas, sujas ou mal impressas, o que, dependendo do grau de dano ou da qualidade de impressão, pode apenas reduzir a qualidade da leitura ou impedir totalmente a identificação. 

Os fatores de interferência no ambiente incluem vibrações, poeira e brilho causados ​​pela luz solar ou emissores no fundo. A umidade, por exemplo em câmaras frigoríficas, pode ser um fator de interferência se causar embaçamento na janela de leitura do leitor de código de barras.

Leia também: Alinhamento e compatibilização de valores

A inteligência artificial fornece o contexto

A IA pode ajudar a distinguir as várias causas umas das outras e, ao fazê-lo, identificar as razões para interferências ou baixa qualidade de leitura. A vantagem disso é que os leitores de código de barras permanecem operacionais normalmente sem gerar trabalho adicional para o cliente durante a instalação. 

Os volumes de dados são grandes: muitas etiquetas passam por muitos leitores de código de barras durante o processo sendo lidas em vários locais de instalação. É daí que vem o contexto geral. Em termos matemáticos, esse contexto geral pode ser descrito como uma equação com muitas incógnitas, inúmeros leitores de código de barras, etiquetas que surgem com ainda mais frequência e os vários locais de instalação dos leitores.

Em cada estação e para cada etiqueta há um resultado diferente em termos de porcentagem de qualidade de leitura. A IA resolve esse complicado sistema de equações e responde às perguntas sobre se uma qualidade de leitura ruim ocorre sempre com um leitor de código de barras específico, apenas com uma etiqueta ou um tipo de etiqueta específico, sempre em um local de instalação específico.

Aprendizado de máquina através de algoritmos de recomendação

Esses são os mesmos métodos usados ​​pelos serviços de streaming, por exemplo, para avaliar o comportamento do usuário e recomendar filmes ou séries correspondentes com base nessa análise. 

Nessa analogia de comportamento do usuário, os códigos de barras correspondem aos filmes e os leitores de código de barras aos usuários dos serviços de streaming. O algoritmo de recomendação classifica uma etiqueta como mais ou menos “atraente” para diferentes leitores de código de barras. Desta forma, é possível determinar qual sensor ou qual etiqueta com uma certa porcentagem é “pouco atraente”, ou seja, limítrofe ou visivelmente problemático

Por dispositivo de borda ou nuvem

Em termos técnicos, uma solução baseada em IA desse tipo pode ser implementada via dispositivos de borda ou nuvem, dependendo dos requisitos do cliente e do respectivo sistema. Um dispositivo de borda é um dispositivo separado localizado próximo de um grupo de sensores e coleta, analisa e transmite os dados do grupo de sensores. 

Vários dispositivos de borda podem ser conectados uns aos outros. Como um dispositivo de borda pode ter uma comunicação bidirecional, não apenas coletando e avaliando dados, mas também enviando a análise de volta aos sensores, um leitor de código de barras também pode transmitir essas informações e relatar haver um problema. A vantagem disso é que não há necessidade de fazer alterações na arquitetura de TI do cliente. 

Alternativamente, a solução pode ser operada por meio de uma nuvem se os dados de locais separados forem mesclados.

Potencial significativo de economia

O comissionamento rápido economiza tempo e dinheiro. Nesse caso, é útil que as causas da má qualidade de leitura sejam identificadas imediatamente. Durante a operação, este método permite a manutenção preditiva. Isso significa que, se um desligamento em breve for necessário, os operadores do sistema podem tomar as medidas adequadas em tempo hábil e, por exemplo, fabricar e terceirizar antecipadamente para poderem continuar a fornecer seus clientes. 

Em alguns casos, dados de vários anos podem ser usados ​​para facilitar essa detecção precoce. Além disso, o sistema aprende continuamente. Portanto, usar a IA sempre vale a pena quando se trata de identificar de forma rápida e confiável os fatores que interferem na identificação de códigos de barras nas mercadorias.

Gostou do nosso conteúdo e quer saber mais? Visite o nosso site e conheça os nossos serviços e produtos!