Machbarkeitsstudien in Stunden
Deep Learning für unlösbare Vision-Aufgabenstellungen
Wenn klassische Vision-Systeme an ihre Grenzen stoßen und eine Beurteilung durch den Menschen die beste Lösungsalternative darstellt, ist die auf Deep Learning Algorithmen basierende Technologie Cognex ViDi Suite die beste State-of-the-Art-Lösung. Mögliche Einsatzbereiche sind die Entdeckung qualitativer Auffälligkeiten und ästhetischer Fehler, sowie die Lokalisierung und Identifizierung von Merkmalen und Zeichen.
Beispiele für Anwendungsmöglichkeiten von Deep Learning für Machine Vision. (Bild: Cognex, HFU, i-mation GmbH)
Entwickelt wurde die neue Technologie von Experten aus den Bereichen Bildverarbeitung, Datenverarbeitung und neuronalen Netzen auf Basis von Erkenntnissen von Neuromedizinern zu Funktionalitäten des menschlichen Gehirns. Klassische Vision-Systeme werden typischerweise mit Bildern von Fehlern, Objekten oder Szenen angelernt. Das System wird diese -und genau nur diese – Fehler der Objekte oder Szenen finden bzw. klassifizieren können. Abweichungen werden daher nicht prozesssicher erkannt. Bei dem neuen Ansatz werden die Algorithmen mit Bildern von typischen Gut-Teilen, Objekten oder Szenen angelernt, und dies mit allen zulässigen Streuungen und Variationen. Damit lernt das System, ähnlich wie der Mensch, wie ein Gut-Teil, ein Objekt oder eine Szene aussehen sollte. Alles, was dem Erwartungsbild entspricht, wird von dem System als erwartungsgemäß eingestuft. Umgekehrt wird alles, was von dem Erwartungsbild der Gut-Teile abweicht, als Auffälligkeit erkannt.
Anwendungen
Inzwischen hat sich Deep Learning erfolgreich am Markt etabliert. Als bildgebendes Verfahren können alle Arten von Sensoren (2D, 3D, Zeilen-/Flächenkamera, Ultraschall, Röntgen, Shape-from-Shading, …) eingesetzt werden. Die neuronalen Netze sind mit wenigen Parametern und Bildern einfach konfigurierbar. Einsatzgebiete sind u.a. (s. Aufmacherbild):
- Komplexe Kunststoffformen, verschiedene Materialien, unterschiedliche Farben und Glanzgrade
- Texturierte Metalloberflächen mit hoher Varianz des Aussehens; Fehler die ein Aussehen haben, wie das Grundmaterial
- Filtersiebe, deren Gutausprägung (Gitterstruktur) und Fehlerausprägung extrem unterschiedlich sind
- Kleberaupen, deren Lage und Ausprägung unterschiedlich sind; eine Positionierung des Objektes (x, y, z) ist hier oft schwierig
Grundsätzliches Kennzeichen für diese Aufgabenstellungen ist neben den oben genannten Punkten, die unbekannte Ausprägung von Fehlern. Neben der Entdeckung von Auffälligkeiten oder Anomalien, können Merkmale oder Zeichen direkt im Bild lokalisiert und identifiziert werden. OCR/OCV ist eine weitere Anwendungsmöglichkeit bei stark deformierten Zeichen auf verrauschtem oder texturiertem Hintergrund. Zudem ist die Zählung von Merkmalen auf einem Bild möglich, z.B. Schweißpunkte auf einem Untergrund mit schwachem Kontrast. Ferner kann die Klassifizierung von Objekten oder Szenen durchgeführt werden. Dies kann die Klassifizierung von Objekten aufgrund ihres Aussehens oder ihrer Verpackung sein, die Unterscheidung von Produktvarianten oder die Klassifizierung von Schweißnähten, Naturprodukten oder Fehlerarten.
Fazit
Der Einsatz der ViDi Suite auf Basis von Machine Learning (ML) erschließt zusätzliche Anwendungsmöglichkeiten von prozesssicherer, automatisierter Inspektion oder Klassifizierung in der Bildverarbeitung mit sehr hohen Erkennungsleistungen. Neue Produkte sind mit der ViDi Suite ohne großen Aufwand, weitere Softwareentwicklung oder Verständnis der Algorithmen modellierbar. Selbst unbekannte Merkmale werden erkannt ohne dass aufwändige Fehlerbibliotheken notwendig sind. Dies resultiert in einer deutlich reduzierten Entwicklungs- und Produkteinführungszeit. Integratoren können nun Machbarkeitsstudien in Stunden anstatt Tagen durchführen. Maschinenbauer und Integratoren profitieren von Wettbewerbs- und Kostenvorteilen aufgrund des erweiterten Portfolios an Bildverarbeitungslösungen, der deutlich reduzierten Entwicklungszeit und der beschleunigten Time-to-Market. Endanwender profitieren von kosteneffizienten, prozesssicheren und zuverlässigen Systemen, die ohne aufwändige Merkmals- oder Fehlerbibliotheken den Menschen übertreffen.
