Inhaltsverzeichnis
1. Exakte Objekt-Klassifizierung durch Training
2. Synergien zwischen Deep Learning und Kerntechnologien
3. Deep Learning Tool vereinfacht Verwaltung der Trainingsbilder
4. Automatisierung vorantreiben
Die Smart Factory wird immer mehr zur Realität. Mittels durchgängiger Automatisierung und Digitalisierung von industriellen Wertschöpfungsketten lässt sich die Produktivität in Fertigungsunternehmen auf ein ganz neues Niveau heben. Unabdingbar dabei ist die industrielle Bildverarbeitung (Machine Vision). Als Auge der Produktion überwacht die Technologie sämtliche Vorgänge in der Fertigung. Ob hochautomatisierte Montageprozesse in Fertigungszellen oder Interaktionen von Menschen und Collaborative Robots (Cobots) – moderne Bildeinzugsgeräte wie Kameras, Laser-Scanner und 3D-Sensoren haben das Geschehen stets im Blick und nehmen aus verschiedenen Perspektiven große Mengen digitaler Bilddaten auf. Diese werden schließlich von der integrierten Machine-Vision-Software verarbeitet und für verschiedene Anwendungsszenarien bereitgestellt.
So lassen sich nicht nur sämtliche Objekte im industriellen Warenfluss zuverlässig erkennen und lückenlos nachverfolgen, sondern auch Produktionsfehler automatisiert aufdecken und exakt lokalisieren. Daher ist die industrielle Bildverarbeitung auch für die betriebliche Qualitätssicherung ein unverzichtbares und äußerst wirksames Instrument. Zudem optimiert die Technologie das gesamte Handling von Gegenständen in der Robotik, wie beispielsweise den Griff in die Kiste (Bin Picking). Hierbei lässt sich mit Machine Vision die Position des Objekts genau bestimmen, sodass der Roboterarm gezielt danach greifen kann. So lässt sich letztendlich auch die Effizienz der Intralogistik-Prozesse steigern.
Exakte Objekt-Klassifizierung durch Training
Die vielfältigen Einsatzszenarien von Machine Vision lassen sich noch weiter optimieren, wenn innovative Technologien auf Basis künstlicher Intelligenz (KI) in die Anwendungen einfließen. Dazu zählt insbesondere Deep Learning, das auf einer Architektur von neuronalen Netzen (Convolutional Neural Networks/CNNs) beruht. Der hohe Mehrwert des KI-Verfahrens besteht darin, dass es durch die fundierte Analyse und Auswertung der erfassten, digitalen Bilddaten eigenständig lernt. Dies geschieht im Rahmen eines umfassenden Trainings. Dabei extrahiert die Software selbstständig typische Eigenschaften, anhand derer sie die jeweiligen Gegenstände exakt zuordnen und klassifizieren kann. So lassen sich anhand von Merkmalen wie Form, Farbe oder Textur spezifische Objekt- oder Fehlerklassen eindeutig bestimmen. Die aufwändige, manuelle Extraktion der richtigen Merkmale und die Definition der richtigen Merkmalskombinationen für jede Klasse entfallen. Nach dem erfolgreichen Trainingsprozess kann die Deep-Learning-Software dann auf Basis der gelernten Eigenschaften auch neue Bilddaten automatisch klassifizieren.
Die Vorteile der Deep-Learning-Technologie liegen also auf der Hand: Es werden wesentlich robustere Erkennungsraten erzielt als mit herkömmlichen, regelbasierten Verfahren. Darüber hinaus lassen sich die Machine-Vision-Prozesse deutlich vereinfachen, beschleunigen und effizienter gestalten. Und schließlich begünstigt Deep Learning auch die Erstellung völlig neuer Anwendungen. Aus diesen Gründen ist diese KI-Technologie schon seit einiger Zeit fester Bestandteil der Machine-Vision-Standardsoftware MVTec HALCON.
Synergien zwischen Deep Learning und Kerntechnologien
Dabei betrachtet MVTec Deep Learning nicht ausschließlich als singuläre Technologie. So ist es ein wesentlicher Teil der Produktstrategie, auch bestehende Machine-Vision-Verfahren mit Deep Learning zu kombinieren. Auf diese Weise werden Synergien zwischen beiden Technologie-Welten geschaffen, was die Qualität und Nutzerfreundlichkeit von HALCON für die Kunden weiter erhöht. Dies zeigt sich zum Beispiel in dem Feature Deep OCR, das seit der aktuellen Version HALCON 20.11 erhältlich ist. Dabei handelt es sich um einen ganzheitlich Deep-Learning-basierten Ansatz für die optische Zeichenerkennung (Optical Character Recognition/OCR). Dieser lokalisiert Zeichen robuster und unabhängig von Ausrichtung, Schriftart und Polarität. Zudem gruppiert Deep OCR Zeichen automatisch zu Wörtern. Dies verbessert die Erkennungsleistung deutlich und verhindert wirksam eine falsche Interpretation ähnlicher Buchstaben und Zahlen. In Summe lassen sich dank der Implementierung der Deep-Learning-Algorithmen viele OCR-Applikationen vereinfachen und bedeutend nutzerfreundlicher und robuster umsetzen.
Deep Learning Tool vereinfacht Verwaltung der Trainingsbilder
Der Einsatz von Deep Learning bringt jedoch immer einen gewissen Aufwand mit sich. Dieser resultiert in erster Linie nicht aus dem Training selbst, sondern aus der umfassenden Vorbereitung, die hierfür notwendig ist. So muss zunächst eine große Anzahl von Bilddaten generiert, gesammelt und aufbereitet werden. Im Anschluss müssen diese Bilder gelabelt werden, das bedeutet, sie erhalten ein digitales Etikett. Daraus lässt sich die jeweilige Objekt- oder Fehlerklasse ersehen. Erst danach wird das neuronale Netz mit den gelabelten Bilddaten trainiert.
MVTec bietet mit dem Deep Learning Tool eine Lösung, die den Aufwand für das Labeln und die Verwaltung der Trainingsbilddaten reduziert. Dies vereinfacht den gesamten Prozess rund um das Training von neuronalen Netzen erheblich. So können mit dem Tool zum Beispiel umschließende Rechtecke (Bounding Boxes) für Objektdetektions-Applikationen eingezeichnet und angepasst sowie Labels vergeben und verwaltet werden. Die gelabelten Bilddaten lassen sich dann nahtlos in die Bildverarbeitungssoftware MVTec HALCON laden und stehen damit bereits im richtigen Format für das weitere Training des Netzes zur Verfügung. Für Klassifikations-Projekte können Nutzer ihr Netz darüber hinaus schon heute auch direkt im Deep Learning Tool trainieren und evaluieren. Das Deep Learning Tool wird im Rahmen eines agilen und iterativen Prozesses kontinuierlich weiterentwickelt. So sollen in kommenden Releases jeweils entsprechende, weitere Funktionen integriert werden. Noch für das Jahr 2021 ist beispielsweise geplant, das Training und die Evaluierung für die Objektdetektion zu integrieren und eine interaktive Methode für das Labeln von Trainingsdaten für die semantische Segmentierung anzubieten. Hiermit kann der Labeling-Prozess deutlich beschleunigt werden.
Ein weiteres, Deep-Learning-basiertes Feature in MVTec HALCON ist Anomaly Detection. Die Technologie optimiert die Fehlerinspektion und kann alle Abweichungen vom Soll-Zustand verlässlich erkennen. Das Besondere daran ist, dass hierfür ausschließlich sogenannte Gut-Bilder benötigt werden. Diese bilden das jeweilige Objekt in fehlerfreiem Zustand ab. Der Algorithmus identifiziert dann alle denkbaren Defekte als Anomalien – auch solche, die im Vorfeld nicht bekannt waren. Weil nur Gut-Bilder benötigt werden, ist es auch nicht notwendig, die Bilder für das Trainieren zu labeln. Und schließlich erfordert die Technologie für das Training des Deep-Learning-Netzes deutlich weniger Bilddaten als dies bei anderen Inspektionsverfahren der Fall ist. Ein Training mit 20 bis maximal 100 Bildern reicht bereits aus, um robuste Erkennungsraten zu erzielen. So lassen sich im Ergebnis mit Anomaly Detection der Aufwand und die Kosten für die gesamte KI-basierte Fehlerinspektion erheblich reduzieren.
Automatisierung vorantreiben
Machine-Vision-Systeme tragen entscheidend dazu bei, die Automatisierung der Prozesse in der digitalen Fabrik voranzutreiben. Dabei lässt sich durch die Integration von Deep-Learning-Algorithmen die Leistungsfähigkeit der Lösungen weiter erhöhen. Die Erkennungsraten verbessern sich signifikant und die Machine-Vision-Prozesse werden vereinfacht, beschleunigt und in puncto Effizienz auf ein neues Niveau gehoben. ge
Weitere Details:
Kontakt:
MVTec Software GmbH
Arnulfstraße 205
80634 München
Tel: 089/457 695 0
E-Mail: info@mvtec.com
www.mvtec.com
