Inovação na gestão de estoque: Tecnologia de visão computacional aplicada ao controle de fluxo de materiais e inventário do almoxarifado

Claiton da Silva Mattos; Laércio Pereira de Jesus; Eduardo Massashi Yamao; Renato de Arruda Penteado Neto

doi:10.5585/iptec.v12i2.26314

Autores

Claiton da Silva Mattos Institutos Lactec https://orcid.org/0009-0007-9947-4976
Laércio Pereira de Jesus Copel Distribuição S/A – Copel DIS,Copel Distribuição S/A – Copel DIS https://orcid.org/0009-0001-6778-6015
Eduardo Massashi Yamao Institutos Lactec https://orcid.org/0000-0002-4171-9535
Renato de Arruda Penteado Neto Institutos Lactec https://orcid.org/0000-0003-2727-0943

DOI:

https://doi.org/10.5585/iptec.v12i2.26314

Palavras-chave:

Gestão de almoxarifado, Visão Computacional, Inteligência artificial

Resumo

Vivemos tempos de mudanças rápidas, com o desenvolvimento contínuo de novas tecnologias em diversas áreas, especialmente em sistemas de informação e inteligência artificial. Torna-se crescente a exigência por maior rapidez na resposta e na qualidade dos serviços prestados, e as empresas precisam se adequar rapidamente, sob o risco de perderem competitividade. O gerenciamento de almoxarifados, particularmente o controle de fluxo de materiais, tem grande importância para a saúde operacional das empresas. Apesar disso, as empresas frequentemente optam por focar em seu negócio principal, eventualmente negligenciando, em algum nível, suas áreas de apoio, resultando em processos mal ajustados e sujeitos a falhas. Neste contexto, surgem oportunidades de melhorias com a implantação de novas tecnologias para auxiliar ou suprimir tarefas executadas de forma manual, as maiores fontes de erros. Este artigo apresenta a avaliação do uso de inteligência artificial por meio da aplicação de visão computacional integrada ao sistema de planejamento de recursos empresariais (ERP) do almoxarifado central de uma concessionária de energia, em Curitiba. A proposta consiste em um sistema de portais instrumentados e um mecanismo de inspeção de nichos para uso nas etapas de verificação e registro de entrada e saída de materiais, e inspeção de inventário, respectivamente, em possível substituição à execução manual das tarefas. Os resultados do estudo apontam um grande potencial no uso do novo sistema integrado, mas também evidenciam a necessidade de ajustes de arranjo físico e processos para viabilizar o uso da tecnologia de visão computacional, fornecendo amparo técnico para um futuro trabalho de implantação.

Downloads

Não há dados estatísticos.

Biografia do Autor

Claiton da Silva Mattos, Institutos Lactec

Engenheiro Mecânico pela Universidade Federal do Paraná (2007), possui pós-graduação em Simulação Computacional - Análise numérica estrutural utilizando o método dos Elementos Finitos, pelo Instituto ESSS de Educação, Pesquisa e Desenvolvimento - iESSS (2015), e mestrado em Desenvolvimento de Tecnologia pelo LACTEC (2022). Atua desde 2007 como Pesquisador no Instituto de Tecnologia para o Desenvolvimento - LACTEC, área de Tecnologia em Integridade Estrutural, onde participa de projetos de pesquisa em tecnologia (P&D - Pesquisa e Desenvolvimento), além de trabalhar com planejamento, desenvolvimento e execução de ensaios padronizados e não-padronizados, consultorias, projeto mecânico e desenvolvimento de soluções em engenharia. Realiza atividades predominantemente técnicas nas diversas áreas de conhecimento da Engenharia Mecânica, com ênfase em projeto mecânico e CAD/CAE (desenho e projeto assistidos por computador). Também atua em relações comerciais com clientes e fornecedores, e tem contatos esporádicos com programação computacional, instrumentação e eletrônica.

Laércio Pereira de Jesus , Copel Distribuição S/A – Copel DIS,Copel Distribuição S/A – Copel DIS

Logístico graduado e pós-graduado em Gestão de Logística Integrada pela Universidade Positivo (2018), e Mestre em Desenvolvimento de Tecnologia pelo Lactec (2022). Atuou por mais de 34 anos na Copel Distribuição, onde encerrou suas atividades como Gestor em Logística em 2024. Hoje empreende como Analista de Cadeia de Suprimento.

Eduardo Massashi Yamao , Institutos Lactec

Possui graduação em Engenharia Industrial Elétrica - Ênfase Eletrotécnica pela Universidade Tecnológica Federal do Paraná (2009), mestrado em Engenharia Elétrica pela Universidade Federal do Paraná (2016), mestrado em Desenvolvimento de Tecnologia pelo Instituto Lactec (2020), MBA em Gestão com ênfase em Gerenciamento de Projetos pela Fundação Getúlio Vargas (FGV). Atualmente é pesquisador - Institutos Lactec. Tem experiência na área de Engenharia Elétrica, Inteligência Artificial e Gerenciamento de projetos, atuando principalmente nos temas: modelagem matemática, métodos de otimização, planejamento da operação, eficiência energética, usinas hidrelétricas, usinas termelétricas, treinamento de operadores de usinas hidroelétricas e termelétricas, simulação de sistemas, inteligência artificial, visão computacional, robótica, levantamento de requisitos, projetos elétricos e de automação para aproveitamento energético do biogás e gestão de projetos.

Renato de Arruda Penteado Neto , Institutos Lactec

É pós-doutor (2021), doutor em Engenharia de Materiais (2005), mestre em Física (1996) e Engenheiro Eletricista (1977). Todos os títulos foram obtidos na Universidade Federal do Paraná. Atua como Gestor de Projetos de P&D e como consultor na área de Emissões Automotivas e Biocombustíveis. É consultor ad hoc do CNPq. É líder do grupo de pesquisas certificado no CNPq, com o tema "Estudos sobre a emissão de poluentes e o desempenho mecânico de veículos e motores a combustão alimentados por combustíveis fósseis e biocombustíveis". Diretor da P&K Consultoria (Curitiba). Pesquisador aposentado dos Institutos Lactec, onde continua atuando como consultor na coordenação de projetos de pesquisa e em atividades correlatas. Professor de programas de pós-graduação. Revisor de artigos da revista Fuel publicada pela Elsevier, do Journal of Automobile Engineering (ISSN 0954/4070) e da revista Energy and Fuels.

gy and Fuels.

Referências

Amjoud, A. B., & Amrouch, M. (2023). Object Detection Using Deep Learning, CNNs and Vision Transformers: A Review. IEEE Access, 11(March), 35479–35516. https://doi.org/10.1109/ACCESS.2023.3266093

Azevedo, P. (2022). Object Detection State of the Art 2022. https://medium.com/@pedroazevedo6/object-detection-state-of-the-art-2022-ad750e0f6003

Berg, J. P. va. den, & Zijm, W. H. M. (1999). Models for warehouse management: Classification and examples. International Journal of Production Economics, 59(1–3), 519–528. https://doi.org/10.1016/S0925-5273(98)00114-5

Boesch, G. (2023). Object Detection in 2024: The Definitive Guide. Viso.Ai. https://viso.ai/deep-learning/object-detection/

Canaparro, A., Da Rocha, A. D., Machado, M. A., & Silva Freitas Júnior, J. C. (2021). Transformação digital na indústria de alimentos: proposta de framework aplicado. Revista Inovação Projetos e Tecnologias, 9(2), 289–308. https://doi.org/10.5585/iptec.v9i2.20819

Daios, A., Xanthopoulos, A., Folinas, D., & Kostavelis, I. (2024). Towards automating stocktaking in warehouses: Challenges, trends, and reliable approaches. Procedia Computer Science, 232(2023), 1437–1445. https://doi.org/10.1016/j.procs.2024.01.142

Davarzani, H., & Norrman, A. (2015). Toward a relevant agenda for warehousing research: literature review and practitioners’ input. Logistics Research, 8(1). https://doi.org/10.1007/s12159-014-0120-1

Gu, J., Goetschalckx, M., & McGinnis, L. F. (2007). Research on warehouse operation: A comprehensive review. European Journal of Operational Research, 177(1), 1–21. https://doi.org/10.1016/j.ejor.2006.02.025

Hussien, R. M., Al-Jubouri, K. Q., Gburi, M. Al, Hussein Qahtan, A. G., & Duaa Jaafar, A. H. (2021). Computer Vision and Image Processing the Challenges and Opportunities for new technologies approach: A paper review. Journal of Physics: Conference Series, 1973(1), 012002. https://doi.org/10.1088/1742-6596/1973/1/012002

Kaur, R., & Singh, S. (2023). A comprehensive review of object detection with deep learning. Digital Signal Processing, 132, 103812. https://doi.org/10.1016/J.DSP.2022.103812

Kaynov, I., van Knippenberg, M., Menkovski, V., van Breemen, A., & van Jaarsveld, W. (2024). Deep Reinforcement Learning for One-Warehouse Multi-Retailer inventory management. International Journal of Production Economics, 267(October 2022). https://doi.org/10.1016/j.ijpe.2023.109088

Kembro, J. H., Danielsson, V., & Smajli, G. (2017). Network video technology: Exploring an innovative approach to improving warehouse operations. International Journal of Physical Distribution and Logistics Management, 47(7), 623–645. https://doi.org/10.1108/IJPDLM-02-2017-0112

Mattos, C. da S. (2022). Desenvolvimento de metodologia baseada em visão computacional para registro automatizado de entrada e saída de materiais em almoxarifado. https://mestrado.lactec.org.br/wp-content/uploads/2022/12/358_pt.pdf

Nalgozhina, N., & Uskenbayeva, R. (2024). Automating hybrid business processes with RPA : optimizing warehouse management. Procedia Computer Science, 231(2023), 391–396. https://doi.org/10.1016/j.procs.2023.12.223

Paoleschi, B. (2014). Estoques e Armazenagem (Erica (ed.); 1a ed.).

Patel, A. D., & Chowdhury, A. R. (2022). Vision-Based Object Classification Using Deep Learning for Mixed Palletizing Operation in an Automated Warehouse Environment. In Lecture Notes in Mechanical Engineering (Issue Iccas, pp. 991–1011). https://doi.org/10.1007/978-981-16-7787-8_79

Pozo, H. (2010). Administração de Recursos Materiais e Patrimoniais: Uma Abordagem Logística (Atlas (ed.); 4a ed.).

Ridolfi, M., Macoir, N., Gerwen, J. V.-V., Rossey, J., Hoebeke, J., & de Poorter, E. (2019). Testbed for warehouse automation experiments using mobile AGVs and drones. IEEE INFOCOM 2019 - IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS), 919–920. https://doi.org/10.1109/INFCOMW.2019.8845218

Singh, C. K., Majumder, A., Kumar, S., & Behera, L. (2018). Deep Network based Automatic Annotation for Warehouse Automation. 2018 International Joint Conference on Neural Networks (IJCNN), 2018, 1–8. https://doi.org/10.1109/IJCNN.2018.8489424

Smith, M. L., Smith, L. N., & Hansen, M. F. (2021). The quiet revolution in machine vision - a state-of-the-art survey paper, including historical review, perspectives, and future directions. Computers in Industry, 130, 103472. https://doi.org/10.1016/j.compind.2021.103472

Tiwari, S. (2023). Smart warehouse: A bibliometric analysis and future research direction. Sustainable Manufacturing and Service Economics, 2(July 2022), 100014. https://doi.org/10.1016/j.smse.2023.100014

TOTVS. (2023). Acuracidade de estoque: reduza custos de armazenagem sem perder qualidade nas entregas. https://www.totvs.com/blog/gestao-para-rotas/acuracidade/#:~:text=A acuracidade de estoque indica,a confiabilidade das informações diminui.

Xia, Y., Lu, J., Li, H., & Xu, H. (2018). A Deep Learning Based Image Recognition and Processing Model for Electric Equipment Inspection. 2018 2nd IEEE Conference on Energy Internet and Energy System Integration (EI2), 1–6. https://doi.org/10.1109/EI2.2018.8582593

Yao, N., & Cheng, K. (2021). Electric Power Equipment Image Recognition Based on Deep Forest Learning Model with Few Samples. Journal of Physics: Conference Series, 1732(1), 012025. https://doi.org/10.1088/1742-6596/1732/1/012025

Zavadskas, E. K., Nunić, Z., Stjepanović, Ž., & Prentkovskis, O. (2018). A Novel Rough Range of Value Method (R-ROV) for Selecting Automatically Guided Vehicles (AGVs). Studies in Informatics and Control, 27(4), 385–394. https://doi.org/10.24846/v27i4y201802

Zhang, Q., Chang, X., Meng, Z., & Li, Y. (2021). Equipment detection and recognition in electric power room based on faster R-CNN. Procedia Computer Science, 183, 324–330. https://doi.org/10.1016/j.procs.2021.02.066

Zheng, Y., Jiang, X., Yang, S., Lyu, C., Zhou, W., & Liu, Y. (2018). Picking and Recognizing System in Cluttered Environment. 2018 IEEE International Conference on Information and Automation (ICIA), 1089–1094. https://doi.org/10.1109/ICInfA.2018.8812327