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.
Bild 2 | Case Study zur Kombination von Augmented Reality und Deep Learning. (Bild: I-mation, HFU)
Case Study Augmented Reality
Eine Klassifizierung bzw. Beurteilung komplexer Formen, speziell bei hochgradiger Spiegelung oder Ortsveränderung der Objekte ist mit herkömmlichen Bildverarbeitungssystemen nur mit einem erheblichen Aufwand realisierbar. Der Mensch ist in solchen Fällen einem starr angeordneten Visionsystem klar überlegen, da er leicht seinen Blickwinkel auf das Objekt anpassen kann. Die Fakultät MME der Hochschule Furtwangen hat gemeinsam mit i-mation ein System für diese Aufgabenstellungen entwickelt und im Rahmen der ‚Digital4Eyes‘ Challenge (Grants4Tech) vorgestellt. Mit einem mobilen Gerät (AR-Brille, Smartphone) wird ein Bild aufgenommen, per WLAN an einen Deep Learning Server übertragen und dort ausgewertet. Das Ergebnis wird anschließend zurück auf das mobile Gerät übertragen. Das Originalbild und das Prüfungsergebnisbild können parallel auf weitere mobile Gerät übertragen und angezeigt werden.
Fazit
Wichtige Grundvoraussetzungen, wie industrietaugliche, ‚ease of use‘ SW und bezahlbare und hohe Rechenleistung sind für den Einsatz von Deep Learning erfüllt. Die neue Technologie kann somit Machine Vision um weitere Möglichkeiten ergänzen. Zu Beginn einer Deep Learning Einführung ist es ausgehend von einer klar definierten Zielsetzung notwendig Chancen & Risiken zu betrachten sowie Kosten & Nutzen abzuschätzen. Neue Vorgehensweisen und Erfahrungen müssen zuerst erarbeitet, verifiziert und validiert werden. Es muss daher auch davon ausgegangen werden, dass bei einer Ersteinführung eine gewisse Lernkurve zu durchschreiten ist, welche durch erfahrene Integratoren effizient gestaltet werden kann.
