Inhaltsverzeichnis
1. Eine komplette Maschine-Learning-Lösung
2. Überwachtes Lernen
3. Konzipiert als Embedded-Vision-Hybrid-System
4. Unterschiede zur klassischen Bildverarbeitung
5. Neue Herausforderungen
Computer Vision und Bildverarbeitung sind zu unabdingbaren Werkzeugen in unterschiedlichen Bereichen geworden. Die bildverarbeitenden Systeme bekommen es mehr und mehr mit stetig wachsender Produkt- und Variantenvielfalt und organischen Objekten wie Obst, Gemüse oder Pflanzen zu tun. Konventionelle Ansätze mit regelbasierter Bildverarbeitung stoßen jedoch schnell an ihre Grenzen, wenn die zu analysierenden Bilddaten zu häufig variieren und die Unterschiede nicht oder nur schwierig durch Algorithmen abzubilden sind. Eine robuste Automatisierung ist in solchen Fällen durch ein unflexibles Regelwerk nicht realisierbar. Auch wenn es sich dabei um eine für Menschen vermeintlich einfach zu lösende Aufgabe handelt.
Einfacher Einstieg in die KI-basierte Bildverarbeitung mit IDS
Die Fähigkeit, flexibel und selbstständig zu entscheiden, ist durch maschinelles Lernen heute auch auf Bildverarbeitungssysteme übertragbar. Mithilfe neuronaler Netze und Deep-Learning-Algorithmen können wir einem Computer beibringen, Objekte zu sehen, wieder zu erkennen und aus dem Gelernten Schlussfolgerungen zu ziehen. Wie ein Mensch lernt und entscheidet eine solche „intelligente Automatisierung“ anhand von Erfahrungswerten.
Eine komplette Maschine-Learning-Lösung
IDS möchte Anwender schon bei den ersten Schritten mit der neuen Technologie unterstützen und den Soforteinstieg in die KI-basierte Bildverarbeitung ermöglichen. Dafür kombiniert IDS eine Inferenzkamera-Komplettlösung mit Deep-Learning-Erfahrung sowie Kameratechnik: Mit IDS NXT Ocean ebnet das Unternehmen die Einstiegshürde und stellt einfach nutzbare Werkzeuge bereit, mit denen ohne viel Vorwissen Inferenzaufgaben in wenigen Minuten erstellt und sofort auf einer Kamera ausgeführt werden können. Das Konzept basiert auf drei wichtigen Komponenten: Einer einfach bedienbaren Trainingssoftware für neuronale Netze sowie einer intelligenten Kameraplattform inklusive eines KI-Beschleunigers, der die neuronalen Netze hardwareseitig ausführt.
Alle Komponenten wurden von IDS selbst entwickelt und optimal aufeinander abgestimmt. Das macht es für den Anwender besonders einfach und das Gesamtsystem sehr leistungsfähig. Die cloud-basierte Trainigssoftware IDS NXT Lighthouse führt zudem Schritt für Schritt durch die Datenvorbereitung bis zum Training der künstlichen Intelligenz in Form eines neuronalen Netzes. Der Anwender kommt dabei niemals in Kontakt mit irgendwelchen Basiswerkzeugen oder muss sich mit der Installation von Entwicklungsumgebungen auseinandersetzen. Als Webanwendung ist IDS NXT Lighthouse sofort einsatzbereit. Dem Anwender stehen für all seine Projekte genügend Speicherplatz und ausreichend Trainings-Performance in einem einfach bedienbaren Workflow zur Verfügung. Dafür sorgt eine Rechenzentrums- und Netzwerkarchitektur von deutschen Servern der Amazon Web Services (AWS), die speziell eingerichtet wurde, um höchste Anforderungen an Datenschutz und -Sicherheit zu erfüllen.
Mit wenigen Konfigurationseinstellungen spezifiziert der Anwender in einfachen Dialogen die Anforderungen für Geschwindigkeit und Genauigkeit an seine Anwendung. Netzauswahl und Einrichtung der notwendigen Trainingsparameter nimmt IDS NXT Lighthouse daraufhin völlig selbständig vor. Die Trainingsergebnisse vermitteln dem Anwender bereits eine gute Vorhersage über die Qualität der trainierten Intelligenz und ermöglichen so ein schnelles Ändern und Wiederholen des Trainingsprozesses. Das System wird außerdem kontinuierlich verbessert und ausgebaut. Ohne Update und Wartungsphasen einplanen zu müssen, steht dadurch jedem Anwender immer die aktuelle Version der Software zur Verfügung. Er kann sich somit vollständig auf die Lösung seiner Anwendung konzentrieren, ohne das Wissen über Lernmethoden und künstliche Intelligenz selbst aufbauen zu müssen.
Überwachtes Lernen
Der Hersteller selbst setzt bei IDS NXT Lighthouse auf das „überwachte Lernen“ (Supervised Learning), um neuronale Netze zu trainieren. Die Deep-Learning-Algorithmen lernen mit vorgegebenen Paaren von Ein- und Ausgaben. Dazu stellt der Lehrer – in diesem Fall der Anwender – während des Lernens den korrekten Funktionswert zu einer Eingabe bereit, indem er einem Bildbeispiel die korrekte Klasse zuordnet. Dem Netz wird damit die Fähigkeit antrainiert, Assoziationen selbstständig herzustellen, indem es Vorhersagen zu Bilddaten in Form von Prozentwerten macht. Je höher der Wert, desto genauer und sicherer ist die Vorhersage. Für einen schnellen Erfolg sorgt das nahtlose Zusammenspiel der Software mit den IDS-NXT-Kamerafamilien Rio & Rome. Denn fertig trainierte neuronale Netze können direkt und ohne Programmieraufwand auf einer dieser Kameras hochgeladen und ausgeführt werden. Damit hat der Anwender sofort ein funktionierendes vollständiges Embedded-Vision-System, das eigenständig sieht, erkennt und Ergebnisse zu den aufgenommenen Bilddaten ableitet. Mit seinen digitalen Schnittstellen können sogar Maschinen direkt angesteuert werden.
IDS hat für den FPGA der intelligenten IDS-NXT-Kameraplattform einen eigenen KI-Core, namens Deep Ocean Core entwickelt, der vortrainierte neuronale Netze hardwarebeschleunigt ausführt. Das macht die vollwertigen Industriekameras zu leistungsstarken Inferenzkameras, die künstliche Intelligenz im industriellen Umfeld sinnvoll nutzbar machen. Bildanalysen finden dezentral statt, wodurch sich Bandbreiten-Engpässe in der Übertragung vermeiden lassen. IDS-NXT-Kameras können, was Genauigkeit und Geschwindigkeit von KI-Aufgaben angeht, mit modernen Desktop CPUs Schritt halten – bei gleichzeitig wesentlich geringerem Platz- und Energieverbrauch. Durch die Wiederprogrammierbarkeit des FPGAs ergeben sich zudem zusätzlich Vorteile wie Zukunftssicherheit, geringe wiederkehrende Kosten und Time-to-Market.
Konzipiert als Embedded-Vision-Hybrid-System
Durch die perfekte Abstimmung der IDS-eigenen Software und Hardware, kann der Anwender die maximale Inferenzzeit selbst vor dem Training bestimmen. IDS NXT Lighthouse sorgt daraufhin für optimale Trainingseinstellungen unter Berücksichtigung der KI-Core-Performance der Kamera. Damit erwarten den Anwender bei der späteren Ausführung der Inferenz keine Überraschungen, wodurch zeitraubendes Nachjustieren und Nachtrainieren entfällt. Das IDS-NXT-System bleibt damit außerdem für den Anwender – einmal integriert – immer 100% kompatibel und konsistent in seinem Verhalten.
Durch die leistungsfähige Hardware ist die Embedded-Vision-Plattform aber weit mehr als eine reine Inferenzkamera für die Ausführung von neuronalen Netzen. Der Funktionsumfang der CPU-FPGA-Kombination wird im nächsten Entwicklungsschritt mittels Vision Apps vom Anwender ganz nach Bedarf erweiterbar werden. Wiederkehrende Vision-Aufgaben lassen sich dann schnell einrichten und wechseln. Auch ein vollständig flexibel agierender Bildverarbeitungsablauf ist dann realisierbar: Aufgenommene Bilder durchlaufen beispielsweise zuerst eine Vorverarbeitung, bevor eine recht simple und schnelle Klassifizierung Gut- und Schlecht-Teile sortiert. Bei Auftreten von Fehlern kann darüber hinaus in Millisekunden ein weitaus komplexeres neuronales Netz nachgeladen werden, um die Fehlerklasse viel detaillierter zu bestimmen und die Ergebnisse an eine Datenbank zu übermitteln. Und per App-Entwicklungskit werden maßgeschneiderte Lösungen einfach realisierbar. Anwender können dann individuelle Vision Apps in wenigen Schritten selbst erstellen und auf IDS-NXT-Kameras installieren und ausführen. Die Kameras sind somit als Hybridsysteme konzipiert, um sowohl die Vorverarbeitung von Bilddaten mit klassischer Bildverarbeitung als auch eine Merkmalsextraktion mittels neuronaler Netze nebeneinander einzusetzen.
Unterschiede zur klassischen Bildverarbeitung
Der wesentliche Unterschied von neuronalen Netzen und Deep-Learning-Algorithmen zur regelbasierten Bildverarbeitung liegt in der Art und Weise wie und von wem Bildmerkmale identifiziert werden und wie das erlernte Wissen repräsentiert wird. Beim klassischen oder auch „symbolischen“ Ansatz liegt es in der Hand eines Bildverarbeitungsspezialisten, die für Ihn ausschlaggebenden Bildmerkmale zu selektieren und bestimmten Regeln folgend zu beschreiben. Viele Zeilen Quellcode sind dabei erforderlich, um detailliert festzulegen, wie eine gegebene Aufgabe zu lösen ist.
Ganz anders ist das Vorgehen bei der Arbeit mit neuronalen Netzen. Deren Vorteil liegt genau darin, selbständig zu „lernen“, welche Bildmerkmale wichtig sind, um daraus die richtigen Schlussfolgerung zu treffen. Wir sprechen dann vom „nicht-symbolischen Ansatz“, da das Wissen nur implizit vorliegt und keinen Einblick in die erlernten Lösungswege zulässt. Welche Merkmale gespeichert, wie sie gewichtet und welche Schlussfolgerungen getroffen werden, beeinflussen lediglich die Menge und die Inhalte der Trainingsbilder. Deep-Learning-Algorithmen erkennen und analysieren die vollständigen Bildinhalte und setzen erkannte Merkmale je nach Häufigkeit des Auftretens in Beziehung mit den zu lernenden Begriffen. Die statistische Häufigkeit erzeugt beim Training das, was wir Erfahrung nennen.
Neue Herausforderungen
Für die Entwicklung von Maschine-Vision-Anwendungen auf KI-Basis ist dementsprechend ein Umdenken erforderlich: Es ist wichtig zu verstehen, dass die Qualität der Ergebnisse – also die Geschwindigkeit und Zuverlässigkeit in der Erkennung von Objekten – davon abhängt, was ein neuronales Netz erkennt und daraus schlussfolgert. Hier spielt das Wissen des entsprechenden Facharbeiters eine ganz entscheidende Rolle, der die geeigneten Datensätze für das Training mit möglichst vielen unterschiedlichen Beispielbildern mitsamt den zu lernenden Begriffen bereitstellen muss. Die Verantwortung, die beim klassischen Ansatz bei einem Bildverarbeitungsspezialisten lag, übernimmt somit beim Machine Learning ein Datenspezialist.
Doch welche (neuen) Fähigkeiten werden nun benötigt, um Machine Learning ins eigene Unternehmen zu bringen? Bricht man die Entwicklung einer KI-Anwendung in einzelne Schritte herunter, offenbaren sich tatsächlich Aufgaben und Begrifflichkeiten, die, verglichen mit dem klassischen Ansatz, gänzlich neu zu lernen sind. Der Umgang und die Vorbereitung der Bilddaten sowie das Training neuronaler Netze erfordern völlig neue Tools und Entwicklungsframeworks, die auf einer geeigneten PC-Infrastruktur installiert und ausgeführt werden müssen. Und obwohl notwendige Anleitungen und Open-Source-Quellen bei Cloud-Anbietern oder auf Plattformen wie Github in der Regel frei zur Verfügung stehen, liefern sie lediglich die rudimentären Basiswerkzeuge, deren Verwendung ein hohes Maß an Erfahrung voraussetzen. Und nicht nur die Erstellung, sondern auch die Ausführung und Bewertung der Trainigsergebnisse auf einer geeigneten Hardwareplattform erfordert Verständnis und Wissen über Hardware, Software sowie deren Schnittstellen. ik
Details zu den Inferenzkamera-Lösungen von IDS
Kontakt:
IDS Imaging Development Systems GmbH
Dimbacher Strasse 6-8
74182 Obersulm
Tel.: +49 7134 96196-0
E-Mail: info@ids-imaging.de
Website: www.ids-imaging.de
