Das Inspektionssystem Gixel AI ist in der Lage, innerhalb weniger Minuten aus einer kleinen Anzahl an Beispielen eine Genauigkeit auf Produktionsniveau zu erreichen. (Bild: Gixel GmbH)
Möchte man die Klassifikationsgüte oder Robustheit weiter steigern, lohnt es sich auf Expertenwissen zurück zu greifen. Technisch ist es das Ziel, ein neuronales Netz von Grund auf neu zu lernen. Wird dazu ein externer Dienstleister beauftragt, ist man im Projektgeschäft mit all seinen Vor- und Nachteilen (Reaktionszeit auf Änderungen, Mehrkosten?) konfrontiert. Das Fraunhofer Spin-Off Gixel bietet dagegen mit Machine Vision as a Service eine Alternative. Hierbei werden nicht nur die Daten in eine Cloud geladen, sondern die Embedded-Kamera selbst ist mit der Cloud verbunden. Dadurch wird auch die Erstellung des Datensatzes als Dienstleistung übernommen und entsprechend große Datensätze aufgebaut. Die externe Dienstleistung ist somit in einem Standardprodukt gekapselt und kann on Demand genutzt werden. Das Inspektionssystem Gixel AI besteht aus einem vorkonfiguriertem IPC optimiert für die Inferenz komplexer neuronaler Netze. Dieser wird vorkonfiguriert mit Touchscreen geliefert und lernt in wenigen Minuten die Klassifikationsaufgaben ein. Das Gixel AI Team übernimmt den weiteren Lernvorgang über das Internet. Während dem Einlernen vergehen typischer Weise vier Sekunden zwischen Bildaufnahme und Klassifikationsergebnis. Danach liegt die Klassifikationsgüte meist bereits auf Produktionsniveau. Ist der Lernvorgang abgeschlossen, kann die Verbindung zum Internet getrennt werden. Nachlernen durch erneute Anbindung an den Server ist jederzeit möglich.
Gixel AI kann entweder als Komplettlösung mit einem vorkonfigurierten IPC genutzt werden oder mit einer Embedded-AI-Kamera, welche temporär zum Einlernen mittels einer zusätzlichen Hardware mit der Gixel-Cloud verbunden wird. Als Alleinstellungsmerkmal steht das System bereits während der Einlernphase produktiv zur Verfügung. Dazu wird das Prüfergebnis während dem Einlernen in Echtzeit mit einer typischen Latenz von vier Sekunden in der Cloud berechnet. Der Anwender muss für Änderungen oder Neuerstellung einer Prüfaufgabe nur wenige Minuten lang Beispielbilder klassifizieren. Ist der Datensatz für die Aufgabenstellung ausreichend groß, wird das trainierte Neuronale Netz auf die Embedded-AI-Kamera geladen. Nun sind herstellerabhängig sehr hohe Frame-Raten möglich und eine Internetverbindung nicht mehr notwendig.
Fazit
Deep Learning ermöglicht bessere Bildverarbeitung und weniger Fehlklassifikationen, aber die Bedienbarkeit wurde bisher in der Praxis nicht gelöst. Machine Vision as a Service bietet hier einen neuartigen Ansatz, schnell und intuitive auf Prozessänderungen zu reagieren. Dadurch werden Embedded-AI-Kameras in der Anwendung beherrschbar und die Leistungsfähigkeit der Deep-Learning-Technologie steht jedem zur Verfügung.
