Die Identifizierung von Transporteinheiten (TE) ist entscheidend für die Verbesserung der Effizienz der Hafenlogistik. Allerdings wurden Fortschritte auf diesem Gebiet durch das Fehlen öffentlich zugänglicher Benchmark-Datensätze, die die Vielfalt und Dynamik realer Hafenumgebungen widerspiegeln, bislang behindert. Um diese Lücke zu schließen, stellen wir den TRUDI-Datensatz vor – eine umfassende Sammlung mit 35.034 annotierten Beispielen in fünf Kategorien: Container, Tankcontainer, Trailer, ID-Text und Firmenlogos. Die Bilder wurden im Hafenbetrieb aufgenommen, sowohl mit bodengestützten als auch mit Luftaufnahmen, bei unterschiedlichsten Licht- und Wetterbedingungen. Für die Identifizierung der TE – also das Lesen der elfstelligen alphanumerischen, standardisierten IDs auf jeder Ladungseinheit – entwickeln wir TITUS, eine spezielle drei-schrittige Pipeline: (1) das Segmentieren der TE-Instanzen, (2) die Erkennung des Standorts des ID-Texts und (3) das Erkennen und Validieren der extrahierten ID. Im Gegensatz zu anderen Systemen, die oft klar bestimmte Kamerawinkel oder Gate-Setups erfordern, zeigen wir, dass TITUS zuverlässig TE aus verschiedensten Kameraperspektiven und unter unterschiedlichen Licht- und Wetterbedingungen identifiziert. Durch die Veröffentlichung des TRUDI-Datensatzes bieten wir ein Benchmark, für die Entwicklung und den Vergleich neuer Ansätze. Damit unterstützen wir die digitale Transformation in Häfen und tragen dazu bei, die Effizienz ganzer Logistikketten zu steigern.
The standardisation of Intermodal Loading Units (ILUs), such as containers, semitrailers and swap bodies, has revolutionised global trade yet their efficient and robust identification remains a critical bottleneck in high-throughput ports and terminals. This paper reviews 63 empirical studies that propose computer vision (CV) based solutions. It covers the last 35 years (1990-2025), tracing the field’s evolution from early digital image processing (DIP) and traditional machine learning (ML) to the current dominance of deep learning (DL) techniques. While CV offers cost-effective alternatives for other types of identification techniques, its development is hindered by the lack of publicly available benchmarking datasets. This results in high variance for the reported results such as end-to-end accuracy ranging from 5 % to 96 %. Beyond dataset limitations, this review highlights the emerging challenges especially introduced by the shift from character-based text recognition to scene-text spotting and the integration of mobile cameras (e.g. drones, sensor equipped ground vehicles) for dynamic terminal monitoring. To advance the field, the paper calls for standardised terminology, open-access datasets, shared source code, while outlining future research directions such as contextless text recognition optimised for ISO6346 codes.
Das Paper konzentriert sich auf Lagerungsstrategien für Ladeeinheiten (LE) in Binnenhäfen, die trotz ihrer Bedeutung als wichtige logistischer Knotenpunkte häufig im Vergleich zu standardisierten Seehafenbetrieben vernachlässigt werden. Durch eine strukturierte, PRISMA-basierte Literaturübersicht und eine vergleichende Analyse tragen wir dazu bei, effiziente und flexible Lagerungsansätze zu identifizieren, die auf die Bedürfnisse kleiner bis mittelgroßer Binnenhäfen zugeschnitten sind. Ziel ist es, eine Forschungslücke zu schließen und praktische Empfehlungen zur Verbesserung der operativen Effizienz und Wettbewerbsfähigkeit der Binnenlogistik zu geben.
In dieser Studie wird ein System für Binnenhäfen vorgestellt, das unbemannte Luftfahrzeuge (UAV) zur Bildgebung und Reach-Stacker-Sensordaten einschließlich einer Kamera zur Überwachung des Hafenbetriebs nutzt. Eine dreistufige Identifizierungspipeline erkennt in der ersten Stufe Transporteinheiten (Transportation Units, TUs) und in der zweiten Stufe Markierungen der erkannten TUs wie ISO6436-konforme ID-Codes. Schließlich extrahiert ein Texterkennungsmodell ihre IDs.
Der Artikel stellt eine neuartige Anwendung vor, die Drohnen und Deep Learning nutzt, um Container und Sattelauflieger zu identifizieren und Betriebsabläufe in Binnenhäfen zu verbessern. Mit diesem auf Drohnen basierenden Bild- und Texterkennungssystem kann der grundsätzliche Zustand des Hafen-/Lagerbereichs jederzeit ohne Einsatz von (menschlicher) Arbeitskraft festgestellt werden, wodurch die Notwendigkeit manueller Inspektionen entfällt. Wir verwenden einen zweistufigen Erkennungsprozess, bei dem zunächst die Text-ID lokalisiert und anschließend gelesen/identifiziert wird.
Das IGD Projekt als Poster
Eine Übersicht über die Ziele, Mitarbeiter und Aufgaben des Projektes bietet das Poster zur „Digital Total“ Veranstaltung der Universität Hamburg.
