Human-Like Machine Vision
Deep Learning für ungelöste Aufgabenstellungen
Deep Learning ist zwar in aller Munde, Erfahrung und Expertise fehlen jedoch noch weitestgehend. I-mation integriert Deep Learning seit mehr als 4 Jahren und hat bereits knapp 50 Systeme erfolgreich im Feld.
Bild 1 | Industrielle Anwendungsmöglichkeiten von Deep Learning sind u.a. die Inspektion von Kleberaupen, Dichtungen (ol.), Filtersieben (or.) oder Oberflächen (ul.) oder OCR (ur.). (Bild: I-mation, Cognex)
Deep Learning wurde mit dem Ziel entwickelt, die Stärken des Menschen in Vision Technologien abzubilden. Mittlerweile stehen höchst leistungsfähige selbstlernende Technologien zur Verfügung, die speziell auf die industrielle Analyse von Bildern entwickelt und optimiert wurden und mit wenigen Parametern konfigurierbar sind. Das erste am Markt verfügbare ist Cognex VisionPro ViDi. Weitere Deep Learning Systeme sind u.a. Adaptive Studio, Halcon DL, Suakit oder Solomon AI Vision. Vor allem vier Aufgabenstellungen werden mit Deep Learning Systemen abgedeckt:
- Entdeckung von qualitativen Anomalien (Qualitätsinspektion)
- Lokalisierung und Identifizierung von Merkmalen oder Objekten
- OCR auf schwierigen oder texturierten Hintergründen
- Klassifizierung von Objekten und Szenen
Grundlegende Kennzeichen von Deep Learning
Klassische Visionsysteme werden mit Bildern von Fehlern, Objekten, Zeichen oder Szenen angelernt, d.h. das System wird genau diese Fehler, Objekte, Zeichen oder Szenen finden oder klassifizieren können. Allerdings werden Abweichungen hiervon nicht erkannt. Im Falle von Deep Learning werden die Algorithmen mit repräsentativen Bildern von GUT-Teilen (Inspektion) oder von Objekten, Zeichen oder Szenen (Klassifizierung, Lokalisierung, OCR) angelernt und ein Erwartungsbild trainiert. Das System lernt – ähnlich dem Menschen – wie ein GUT-Teil, Objekt, Zeichen oder Szene aussehen kann, mit allen zulässigen Variationen. Alles, was dem Erwartungsbild entspricht, wird anschließend vom System als erwartungsgemäß bewertet oder klassifiziert, Abweichungen werden dagegen als Auffälligkeit erkannt.
Anwendungsmöglichkeiten
Die Beurteilung von Oberflächen mit Texturen gehört zu den Aufgabenstellungen, bei denen klassische Visionsysteme an ihre Grenzen stoßen. Deep Learning Systeme erschließen hier weitere prozesssichere Anwendungsmöglichkeiten, mit sehr hohen Erkennungsleistungen. Auch neue Produkte oder Produktvarianten sind ohne großen Aufwand lernbar und selbst neue, unbekannte Merkmale werden erkannt, ohne dass aufwändige Fehlerbibliotheken notwendig sind. Dies resultiert in einer deutlich reduzierten Produkteinführungszeit und Machbarkeitsstudien lassen sich in Stunden statt in Tagen durchführen. Neben der Erfahrung im Bereich der industriellen Bildverarbeitung und der Auslegung von Kamerasystemen, ist für die Modellierung der neuen Systeme keine Softwareentwicklung oder Verständnis der Algorithmen notwendig. Als bildgebendes Verfahren können alle Arten von Sensoren (2D, 3D, Ultraschall, Röntgen, Shape from Shading…) eingesetzt werden. Auch die Kombination mit Werkzeugen der herkömmlichen Bildverarbeitung ist ohne weiteres möglich.
