Zarządzanie bezpieczeństwem towarów oraz zapobieganie fraudom w magazynie to jedno z podstawowych zadań zarządzania gospodarką magazynową. W magazynach, w których pracuje system WMS oraz wizyjne systemy monitoringu, w sposób pasywny są gromadzone cząstkowe informacje o zdarzeniach biznesowych oraz nagrania kamer CCTV. W mojej ocenie, tworzą one pewnego rodzaju „wyspowe cmentarzysko danych”, które nie wspiera działań antyfraudowych. Dopiero w momencie wystąpienia incydentu, zaczyna się „śledztwo”, które najczęściej opiera się na przeglądaniu logów systemowych oraz zapisów systemów monitoringu. Należy tutaj podkreślić, że największe zagrożenie stanowią szajki pracowników magazynu powiązanych z pracownikami ochrony, transportem i innymi działami w firmie.

 

Takie zorganizowane grupy mogą działać w firmach latami, narażając je na wielomilionowe straty. Co ciekawe, firmy w tych magazynach już najczęściej zainwestowały w system kamer CCTV, oprogramowanie WMS, sieć radiową, terminale mobilne, czy rzadziej identyfikację radiową opartą o RFID.

 

Przykłady algorytmów analizy obrazu.

 

Postanowiliśmy uwolnić moc tkwiącą w poszczególnych elementach. W naszym module do typowania anomalii wykorzystuje się standardowo dostępne technologie, które nie wymagają dodatkowych inwestycji, takie jak:

 

  • logi systemu WMS zawierają wszystkie zadania z podstawowymi informacjami o lokalizacji, użytkowniku, towarze, czasach zlecenia i operacji są w sposób usystematyzowany odkładane;
  • dane historyczne WMS, które pozwalają wytypować indeksy najbardziej narażone na kradzieże, pracowników o najkrótszym stażu, firmy spedycyjne i kontrahentów zgłaszających najwięcej reklamacji;
  • terminale magazynowe wyposażone w system Android zbierają dane o ruchu (wykorzystując akcelerometr);
  • latarnie beacon zainstalowane w magazynie pozwalają na dokładną mikrolokalizację urządzeń i użytkowników;
  • kamery CCTV oparte o komunikację IP, których nagrania są analizowane w czasie rzeczywistym. Stosowane aktualnie algorytmy rozpoznawania obrazu i ML pozwalają z wysoką dokładnością rozpoznać takie obiekty jak: człowiek, wózek, paleta.

 

Na podstawie poprawnie opracowanych danych, zbieranych z niezależnych źródeł, moduł odpowiedzialny za wykrywanie anomalii, ma możliwość typowania zdarzeń nienormatywnych, takich jak: pojawienie się palet i wózków w obszarach magazynu, gdzie nie było wygenerowanych żadnych zadań; naruszenie wirtualnych stref w magazynie; koncentracja ruchu osobowego niepowiązanego z operacjami magazynowymi. Zdarzenia takie są automatycznie wykrywane przez system i generowane są alerty wraz z określeniem poziomu potencjalnego zagrożenia. Dzięki takiej organizacji zarządzania danymi, osoby zaangażowane w prace związane z bezpieczeństwem magazynu mogą praktycznie w czasie rzeczywistym reagować na różnego rodzaju zagrożenia. System posiada także możliwości „samouczenia się”.

 

W magazynach, gdzie jednostką kradzieży są palety, a czasem całe transporty, możliwe jest dodatkowe uzbrojenie systemu w kolejne niezależne źródła danych takich jak:

  • pętle indukcyjne przy rampach załadunkowych wykrywające wózki,
  • bramki RFID – technologia radiowej identyfikacji towarów nie tylko przyspiesza realizację procesów magazynowych, ale dodatkowo bezkosztowo może być wykorzystana do wykrywania fraudów.

 

 

 

Istnieją jeszcze dodatkowe mechanizmy, które można dostosować do indywidulanych potrzeb firmy i profilu branży. Myślę, że większość z nas spotkała się z wieloma próbami okradania i oszukiwania firm. Uważam, że takie patologiczne i pasożytnicze zachowania należy piętnować i zwalczać wszelkimi dostępnymi sposobami. W naszym systemie WMS staramy się zarządzać także tym obszarem.

 

Dodatkowe informacje na temat najnowszych technologii w zakresie zwiększenia bezpieczeństwa w logistyce znajdą Państwo w artykule:

A COMPUTER VISION-BASED APPROACH FOR STORAGE LOCATIONS OCCUPANCY DETECTION USING DEEP LEARNING

 

📝 Temat opracował: Dariusz Olearczuk