Deep Learning, eine Form der Künstlichen Intelligenz, die neuronale Netzwerke nutzt, lässt sich recht einfach erklären: So wie Menschen anhand von vielen verschiedenen Beispielen lernen, was ein Haus ist, kann auch ein Deep-Learning-System mit der Zeit die Beschaffenheit eines Gegenstandes anhand von markierten Bildern erkennen. Ob es die Stoßstange eines Autos oder die Verpackung eines Pakets ist – Deep Learning löst mithilfe eines beispielbasierten Ansatzes alle Herausforderungen des Prüfvorgangs. Außerdem können Prüfungen fortlaufend verbessert werden, indem weitere Beispielbilddaten in den vorhandenen Algorithmus eingepflegt werden. Neue Daten verbessern das System und führen schließlich zu genaueren Ergebnissen.
Über die Grenzen der automatisierten Prüfung hinaus
Experten könnten darüber streiten, ob es sich nun um echte Intelligenz handelt oder nicht. Aus praktischer Sicht bietet die Technologie Herstellern jedoch zahlreiche offensichtliche Vorteile. Hersteller sind innerhalb des Produktionsprozesses nach wie vor auf menschliche Sichtprüfer angewiesen, weil herkömmliche Bildverarbeitungssysteme die Komplexität und Variabilität bestimmter Aufgaben nicht bewältigen können. Bei Menschen können die Ergebnisse jedoch von einer Person zur anderen abweichen. Im Laufe einer 8-Stunden-Schicht können auch Ermüdungserscheinungen auftreten. Außerdem gibt es in der gesamten Produktion viele Aspekte, die aus diversen Gründen nicht geprüft werden. Beide Tatsachen stellen Fabrikanten immer wieder vor Probleme bei der Qualitätskontrolle und erhöhen die Wahrscheinlichkeit von Rückrufaktionen.
Bei einem Bildverarbeitungssystem mit integrierter Künstlicher Intelligenz ist es zum Beispiel möglich, das Urteilsvermögen eines menschlichen Sichtprüfers mit der Stabilität und Konsistenz einer automatisierten Prüfungs- und Qualitätskontrolllösung zu vereinen. Genau darin besteht der wichtigste Vorteil des neuen Bildverarbeitungssystems In-Sight D900 von Cognex.
Integrierte Intelligenz in kompakter Form
Bei dieser innovativen Lösung ist In-Sight ViDi, die Deep-Learning-Software des Unternehmens, in eine Smart-Kamera von Industriequalität eingebettet. Durch diese Kombination sind ganz neue Möglichkeiten bei Inline-Prüfungen in Fabriken gegeben. Die Hardware des Bildverarbeitungssystem ist eine kompakte Smart-Kamera in Industriequalität, die einfach und ohne PC in der Linie installiert und bereitgestellt werden kann. Zu dem hochmodularen IP67-zertifizierten Bildverarbeitungssystem gehören eine vor Ort austauschbare Beleuchtung, Linsen und Filter sowie Abdeckungen, die je nach den individuellen Anwendungsanforderungen kundenspezifisch angepasst werden können. Zahlreiche Optionen ermöglichen dabei die perfekte Anpassung an individuelle Anwendungen. Durch High-Dynamic-Range-Aufnahmen (HDR+) werden gleichmäßig belichtete Bilder erzeugt. Die LED-Anzeige ermöglicht eine ferngesteuerte Pass/Fail-Auswertung und die Prüfergebnisse können lokal auf einer SD-Karte gespeichert werden. Speziell für die Ausführung von Deep-Learning-Anwendungen wurde eine Inferenzmaschine integriert. Die In-Sight D900 ist zwar auch mit einer der fortschrittlichsten Hardware des Unternehmens ausgestattet, zeichnet sich aber besonders dadurch aus, dass sie eine neue Klasse von Deep-Learning-basierten Anwendungen ermöglicht.
Die Software macht den Unterschied
Das Bildverarbeitunssystem funktioniert mit der gewohnten, leicht bedienbaren Spreadsheet-Benutzeroberfläche, welche die Anwendungsentwicklung und Werksintegration vereinfachen. Anwendungstechniker erhalten Zugriff auf die vollständige Suite mit herkömmlichen Bildverarbeitungs-Tools wie PatMax, Kantentastern und Messwerkzeugen. Mit In-Sight ViDi verfügt die D900 jedoch zusätzlich noch über drei Deep-Learning-Tools, die alle für spezifische und breitgefächerte Anwendungen konzipiert wurden: ViDi Read, ViDi Check und ViDi Detect. Diese neue Deep-Learning-basierten Prüfwerkzeuge unterstützen Kunden in der Fabrikautomatisierung dabei, eine einfache Lösung für Anwendungen zu finden, deren Bereitstellung sich mit herkömmlichen regelbasierten Bildverarbeitungssystemen zu zeitaufwändig oder zu komplex gestaltet. Die intuitive Spreadsheet-Benutzeroberfläche bietet Deep-Learning-Funktionen ohne PC und Programmierung
Bei allen drei Anwendungs-Tools profitieren die Benutzer von der intuitiven Spreadsheet-Benutzeroberfläche von In-Sight, die eine schnelle Einrichtung von Deep-Learning-Anwendungen ohne Programmierung ermöglicht. Das Spreadsheet vereinfacht die Anwendungsentwicklung und optimiert die Integration in Werksnetze durch eine umfassende Reihe an I/O- und Kommunikationsfunktionen. Außerdem können damit traditionelle regelbasierte Bildverarbeitungs-Tools (wie PatMax Redline) und Deep-Learning-Tools in einem Projekt kombiniert werden, was zu einer schnelleren Bereitstellung führt. Da In-Sight ViDi viel kleinere Bildsätze und kürzere Trainings- und Validierungszeiten als andere Deep-Learning-Lösungen erfordert, sind die Anwendungen schnell und einfach zu installieren, zu trainieren und bereitzustellen.
ViDi Read: Komplexe Zeichenerkennung
Mit dem Tool In-Sight ViDi Read kann der Anwender schwierige OCR-Aufgaben in Minutenschnelle lösen. Das Modul entziffert deformierte, verzerrte und schlecht gelaserte Codes mithilfe der optischen Zeichenerkennung. Die Lösung ermöglicht es Anwendern blitzschnell schwierige OCR-Aufgaben zu lösen. Das Tool ist sofort betriebsbereit und verringert dank einer vortrainierten Schriftenbibliothek die Entwicklungszeit drastisch. Der Benutzer definiert einfach den gewünschten Bereich und legt die Zeichengröße fest. Wenn neue Zeichen eingeführt werden, kann das robuste Tool erneut entsprechend trainiert werden, um anwendungsspezifische Zeichen zu lesen, die herkömmliche OCR-Tools nicht entziffern können. Im Vergleich zu herkömmlichen Bildverarbeitungssystemen ohne Deep-Learning-Technologie bietet diese Funktion eindeutige Vorteile.
ViDi Check: Prüfung von Baugruppen und Bauteilpositionen
Das Tool ViDi Check in dem Bildverarbeitungssystem ermöglicht Herstellern eine schnelle und präzise Prüfung von Baugruppen.
Das Tool ist für eine schnelle und präzise Prüfung von Baugruppen konzipiert und ist in der Lage, komplexe Funktionen und Objekte zu erkennen. Es prüft anhand der Lokalisierung der Teile und Bausätze in einem benutzerdefinierten Layout, ob diese richtig montiert wurden.
Das Tool kann so trainiert werden, dass es eine umfassende Bibliothek der Komponenten erstellt, die selbst dann im Bild lokalisiert werden, wenn sie aus verschiedenen Blickwinkeln angezeigt werden oder in ihrer Größe variieren.
ViDi Detect: Erkennung von Defekten und anderen
unerwünschten Abweichungen
Ein drittes Tool namens ViDi Detect wurde für die Analyse komplexer Aufgaben zur Defekterkennung konzipiert. Es lernt von den Bildern mangelfreier Teile und ermittelt aufgrund dessen defekte Teile. Die Lösung eignet sich selbst dann ideal dafür, Anomalien auf komplexen Teilen und Oberflächen zu finden, wenn das Erscheinungsbild der Defekte nicht absehbar ist.
Neues Paradigma für Prüfungen höchster Qualität
Durch die Integration von In-Sight ViDi, der auf Deep Learning basierenden Prüfungs-Software, erhalten Kunden in der Fabrikautomatisierung Lösungen für schwierige OCR-Aufgaben, Montageüberprüfungen und Defektermittlungsanwendungen, deren Bereitstellung sich mit traditionellen regelbasierten maschinellen Bildverarbeitungswerkzeugen oftmals schwierig gestaltet und die zuverlässige, schnelle und einheitliche Ergebnisse erfordern, die durch eine menschliche Sichtprüfung nicht möglich sind.
Mit der Einführung dieses Systems deckt das Unternehmen drei Anwendungsbereiche ab: Die optische Zeichenerkennung (OCR), die Montageüberprüfung und die Defektermittlung. Es ist davon auszugehen, dass künftig noch weitere Bereiche hinzukommen. Doch bereits mit diesen drei Funktionen kann das neue System mit einer höheren Präzision als ein traditionelles Bildverarbeitungssystem eine Vielfalt an neuen Aufgaben meistern. Mit Blick auf die Märkte kann das System in vielen verschiedenen Industrien wie der Automobilbranche, der Unterhaltungselektronik und vieles mehr eingesetzt werden.
