Aprendizado de máquina auxilia leitura de tags para têxteis

Lavanderias estão testando um sistema que aproveita algoritmos para facilitar instalações mais rápidas e versáteis sem a necessidade de escudos RF físicos ou limitadores

Claire Swedberg

A Datamars lançou uma nova solução de gerenciamento de têxteis com seus leitores de tag RFID que emprega aprendizado de máquina (ML), que a empresa diz que pode se treinar para ignorar leituras de tag perdidas e, assim, permitir uma melhor eficácia de leitura. Várias empresas vêm testando a tecnologia desde o final de 2020, com implantações completas ocorrendo agora. O sistema, conhecido como RFAID, consiste no algoritmo Classificador da Datamars que aprende quais leituras são desejadas e quais devem ser desconsideradas.

Com sede na Suíça, a Datamars fornece tecnologia baseada em RFID para identificação de animais, administração de fazendas e têxteis, como rastreamento de roupas de cama enquanto são submetidos a serviços de lavagem. As soluções têxteis da empresa são projetadas para os setores de hospitalidade, saúde e industrial, afirma Julien Buros, diretor de produtos e serviços têxteis da Datamars. Seus leitores RFID UHF são construídos para ler lençóis etiquetados, estejam eles sujos, no processo de lavagem ou sendo devolvidos a um cliente limpo e dobrado.

blank

Este ambiente é desafiador para RF, explica Datamars, em parte porque as etiquetas aplicadas a produtos molhados ou secos em carrinhos muitas vezes devem ser lidos enquanto eles se movem rapidamente através de uma lavanderia. Isso significa que os leitores devem identificar os têxteis em movimento, mesmo em massa, sem interromper os fluxos de trabalho e evitar leituras perdidas de tags que podem estar dentro do alcance de um leitor, mas não fazem parte de um fluxo de trabalho específico que está sendo rastreado. A Datamars fornece uma variedade de leitores RFID UHF, bem como software de desempenho de leitor baseado em borda que é integrado ao software baseado em aplicativo.

Para lidar com o risco de leituras de tags perdidas, a Datamars e outras empresas de RFID tradicionalmente contam com barreiras físicas que bloqueiam a propagação de campos de RF antes que eles possam ser capturados por uma tag perdida. Isso pode ser trabalhoso e caro para cada implantação, observa a empresa, uma vez que as lavanderias tendem a ser diferentes em termos de tamanho, infraestrutura e layout. Portanto, construir um sistema RFID para atender às necessidades de tal ambiente pode ser um desafio.

Outra opção comum, diz Buros, é definir limites de potência e sensibilidade para filtrar leituras perdidas, mas isso também apresenta deficiências. Embora os usuários possam definir manualmente os limites de distância de leitura para identificar quando as tags ficam fora da área de leitura, essa função precisa ser personalizada para cada implantação, com base no espaço em que um determinado leitor foi instalado e o tipo de tags UHF que estão sendo lidas.

O desenvolvimento do aprendizado de máquina é projetado para permitir que o software reconheça uma “boa tag” lida de uma tag perdida. “Ao treinar a rede com grandes quantidades de dados”, afirma Buros, “o sistema não exige que mecanismos como limites sejam definidos”. ML é uma forma de inteligência artificial (AI) que permite aos leitores RFID aprender e diferenciar a leitura de tags automaticamente, sem serem especificamente programados para isso. Os conjuntos de dados de treinamento da Datamars ajudam o software de ML em execução diretamente no leitor para encontrar padrões comuns e construir um modelo para tomar suas próprias decisões. Esses dados podem ser compartilhados com outros leitores em uma rede para fornecer mais aprendizado.

O sistema aproveita os dados padrão que vêm com cada evento de leitura, incluindo o indicador de intensidade do sinal retornado (RSSI), a fase do sinal, o número de leituras de tag realizadas em um determinado período de tempo e muito mais. “Se você observar todos esses parâmetros, pode começar a reconhecer a boa etiqueta”, explica Buros. Com o tempo, diz ele, com base nos dados capturados, o sistema passa a identificar as características das leituras perdidas, em oposição às boas tags.

Ao garantir que o sistema reconheça e desconsidere leituras perdidas, a função de aprendizado de máquina permite que os usuários aumentem o poder de interrogação, uma vez que o limite de distância de leitura não é uma preocupação, e mesmo tags que produzem respostas fracas podem ser lidas. Um dos principais benefícios da funcionalidade de ML é que uma implantação pode ser repetida em vários sites, cada um com seu próprio layout e casos de uso, e cada leitor pode ser treinado para capturar as informações apropriadas. Como resultado, cada instalação também pode fazer alterações em suas próprias operações e o sistema pode se adaptar sem ser reconfigurado. Isso significa menos custo na instalação do leitor RFID e configuração manual, relata Buros.

Quanto mais treinamento é fornecido em cada instalação, menos é necessário para treinamento adicional em outros locais. “Isso é o que você chama de aprendizado contínuo”, diz Buros, observando que o algoritmo de ML roda no leitor. A Datamars emprega leitores Impinj Speedway e R700. “Temos capacidade de computação suficiente em ambas as versões para executar os algoritmos”, afirma. Após vários anos de desenvolvimento e validação interna, a Datamars forneceu a tecnologia aos clientes para pilotos no final do ano passado.

No momento, duas empresas estão testando o sistema – uma para os últimos dois meses, outra para cinco meses. Essas empresas alcançaram maior flexibilidade para suas implantações, relatórios Buros, juntamente com custos de instalação mais baixos. “Do ponto de vista do hardware”, diz ele, “é uma solução bastante leve.” Como o sistema é mais adaptável, uma empresa poderia usar os leitores em vários sites, cada um configurado de forma diferente. “Não existem duas lavanderias iguais.”

A Datamars relata que está entre as primeiras empresas a alavancar o aprendizado de máquina para leitores de tag RFID. “Acho que este poderia ser um primeiro passo para a identificação de lavanderia e têxtil com aprendizado de máquina”, diz Buros, enquanto o ML pode ser usado de forma semelhante com outras soluções RFID em diferentes setores também. “Acreditamos que para melhorar o desempenho de leitura, você pode fazer muito com hardware, mas também há muito potencial com soluções baseadas em software”.

A solução de ML para o problema de leitura perdida em têxteis segue o lançamento da empresa de uma nova família de leitores RFID em 2019, conhecida como UHF Portal Plus e UHF Open Tunnel. Os leitores fazem parte da família In Motion, diz Buros, destinada a atender aos desafios dos ambientes de serviços de lavanderia.

O Portal Plus tem sido um dos produtos têxteis de maior sucesso da empresa, relata a Datamars, devido à sua capacidade de ler etiquetas sem interromper o fluxo de produtos conforme eles se movem para dentro ou para fora de uma lavanderia em carrinhos. O leitor de túnel aberto é projetado para instalações totalmente automatizadas que utilizam esteiras e sistemas de alimentação, como máquinas automáticas de dobra. Os leitores estão sendo usados ​​para identificar cada item têxtil atendido e devolvido a um cliente específico.

“É importante que a lavanderia possa verificar se o que é enviado ao cliente está correto”, afirma Buros. Os dados também podem ser compartilhados com os clientes, diz ele, ou para habilitar o faturamento automatizado ou prevenção de perdas. “Agora, com RFID, eles são capazes de entender quem está perdendo produtos e o que está sendo perdido”.

- PUBLICIDADE - blank

LEAVE A REPLY

Please enter your comment!
Please enter your name here