Bilder als Zwischenergebnisse der Bildverarbeitungskette können im Engineering während der laufenden SPS angezeigt werden. Zudem lassen sich aufgezeichnete Bilder, genau wie von einer Kamera aufgenommen, in der SPS nutzen. Diese Funktion erleichtert den Aufbau der Bildverarbeitungskette enorm, da auch ohne angeschlossene Kamera die Ergebnisse der Visionfunktionen geprüft werden können. Alle Bildverarbeitungsfunktionen werden bei Twincat Vision im Twincat-Echtzeitkontext ausgeführt. Ihre Ausführung ist daher streng deterministisch. Bildverarbeitungsfunktionen, die eine vom Bildinhalt abhängige Laufzeit aufweisen, sind über Watchdog-Funktionen auf eine maximale Ausführungsdauer begrenzbar. Einige dieser Bildverarbeitungsfunktionen liefern bereits Teilergebnisse, auch wenn die Ausführung abgebrochen wurde.
Für SPS-Programmierer ist Twincat Vision eine Erweiterung der üblichen, gewohnten Aufgaben im Rahmen der Steuerungsentwicklung. Das Engineering von klassischen Bildverarbeitern unterscheidet sich in der Regel hiervon. Daher bietet Twincat Analytics Vision eine komfortable Möglichkeit, Vision-Algorithmen in einer einfachen grafischen Darstellung zu entwickeln und zu testen. Twincat Analytics Vision ist ein Code-Generator, der auf Knopfdruck SPS-Code erzeugt, welcher die konfigurierte Bildverarbeitungskette implementiert. Dieser Code kann direkt in der SPS genutzt werden und ist zudem versionierbar. Änderungen können daher leicht verfolgt werden, was die Wartbarkeit des Codes entscheidend verbessert.
KI-Nutzung auch für Vision
Dieses einfache Handling Vision-bezogener Daten in Twincat, gilt auch für die industrietaugliche Nutzung von KI. Üblicherweise ist das Training von KI-Modellen ein aufwändiger und komplizierter Prozess, Beckhoff bietet mit dem Twincat Machine Learning Creator hierfür jedoch eine einfache Möglichkeit, um auch ohne das Wissen eines Data Scientist KI-Modelle erstellen zu können. Die trainierten Modelle können dann im standardisierten ONNX-Format exportiert werden. Beckhoff bietet verschiedene Module zur Inferenz an: Mit Twincat Vision Neural Network findet die Inferenz in der Echtzeit CPU-gestützt statt. Für größere Aufgaben wird üblicherweise der Twincat Machine Learning Server eingesetzt. Dieser wird nicht im Echtzeitkontext ausgeführt, bietet dafür aber eine GPU-Unterstützung bei der Inferenz.
Vision trifft Motion
Die beschriebene nahtlose Integration von Beckhoff Vision spielt insbesondere bei Maschinen mit vielen Bewegungsachsen seine Stärken aus. Die Twincat XFC Library ermöglicht bei NC-Achsen die Berechnung eines Zeitstempels der einer bestimmten Position oder – bei rotatorischen Achsen – einem bestimmten Winkel entspricht. Dadurch können Kamera, Beleuchtung und Ethercat-Klemmen exakt auf die Bewegung synchronisiert werden. Zur eindeutigen Zuordnung der Bilddaten kann der Zeitstempel der Bildauslösung in die Metadaten des eingezogenen Bildes eingefügt und mit Twincat Vision ausgelesen werden. Diese hochpräzise Synchronisation von Kamera, Beleuchtung und NC-Achsen verdeutlicht ein u.a. auf der Vision 2026 gezeigter Messedemonstrator. Dabei wird eine Beckhoff Kamera VCS2000-0200 mit einer kleinen Region-of-Interest betrieben, die typischerweise nur wenige Zeilen (8 bis 64) hoch ist. Die Zeilen werden in schneller Folge mit mehr als 1kHz eingezogen, in der Kamera zu einem Bild zusammengefügt und anschließend als Gesamtbild an die Steuerung versendet. Die Anzahl der Einzelzeilen, die zu einem Bild aneinandergefügt werden, kann in der Kamera eingestellt werden. In der Steuerung werden diese Teilbilder anschließend mithilfe von Twincat Vision wieder zusammengesetzt.
www.beckhoff.com
