SITA

Het probleem: Overmatige personeelsinzet bij self check-in

Om correct gebruik van self check-in systemen te waarborgen, was ondersteunend personeel nodig om toezicht te houden en ingecheckte items te controleren. Passagiers konden ongeschikte objecten plaatsen, zoals rugzakken met losse banden of kinderwagens. Deze konden vastlopen of vallen, wat storingen en vertragingen veroorzaakte.

 

De uitdaging: Automatische detectie van niet-transporteerbare objecten

De uitdaging lag in het ontwikkelen van een algoritme dat lage-resolutie 3D point cloud data kan analyseren. Het systeem moest objecten herkennen én controleren of instructies (zoals plaatsing in bakken) zijn opgevolgd.

Daarnaast moest het algoritme onder andere detecteren:

  • Een breed scala aan objecttypen te identificeren en te filteren
  • Te verifiëren of items correct in trays (bakken) waren geplaatst
  • Niet-transporteerbare objecten te detecteren, zoals cilindrische of ronde objecten, rechtopstaande koffers en meerdere overlappende items

 

 

 

De oplossing: Geavanceerde beeldanalyse

Met behulp van een combinatie van statistische en numerieke technieken hebben wij met succes een algoritme ontwikkeld dat trays kan detecteren binnen pointcloud-data—ons eerste doel.

Dit werd bereikt door een “gemiddeld” traymodel te construeren met behulp van een reeks filterfuncties. Binnenkomende scans werden vervolgens vergeleken met dit model via een samengestelde kostfunctie, waarmee het systeem kon bepalen in hoeverre elke scan overeenkwam met de verwachte traystructuur.

Deze aanpak resulteerde in een detectiegraad van 98%, wat ruim boven de vereiste 90% ligt. Een van de grootste uitdagingen was het omgaan met onvolledige scaninformatie als gevolg van hoge transportsnelheden, waardoor randen van trays soms slechts gedeeltelijk werden gedetecteerd.

Na de detectie van trays werd het algoritme uitgebreid om niet-transporteerbare objecten te identificeren, waaronder:

  • Rechtopstaande koffers
  • Meerdere objecten (zelfs wanneer deze elkaar raken)
  • Cilindrische of ronde objecten
  • Objecten met banden, zoals rugzakken

Voor de detectie van banden ontwikkelden we een volumeverdelingsfunctie die de geometrie van objecten in meerdere richtingen analyseert. Hierdoor kon het systeem onderscheid maken tussen gestructureerde vormen (zoals koffers) en onregelmatige vormen (zoals tassen met banden). Zelfs koffers met grote labels werden correct onderscheiden van rugzakken.

De detectie van cilindrische, ronde en rechtopstaande objecten werd gerealiseerd met efficiënte geometrische analysetechnieken. Het identificeren van meerdere objecten—vooral wanneer deze elkaar raken of in complexe configuraties zoals een “V”-vorm liggen—bleek uitdagender, maar werd uiteindelijk opgelost met behulp van geavanceerde wiskundige modellering.

Technologieën

C++, Python, OpenCV, PCL, Point Cloud Library, Wiskunde, Statistiek, Algoritmes