Wie sich Deep Learning von der herkömmlichen industriellen Bildverarbeitung unterscheidet

Grundsätzlich basieren Bildverarbeitungssysteme auf digitalen Sensoren in Industriekameras mit spezieller Optik zum Erfassen von Bildern. Diese Bilder werden dann an einen PC übertragen, sodass eine spezielle Software verschiedene Merkmale für die Entscheidungsfindung verarbeiten, analysieren und messen kann.

Diese Systeme sind jedoch sehr starr und haben einen engen Anwendungsbereich in einer Fabrikautomatisierungsumgebung. Herkömmliche industrielle Bildverarbeitungssysteme bieten eine hohe Zuverlässigkeit bei konsistenten, gut gefertigten Teilen. Sie funktionieren über einen Schritt-für-Schritt-Filter und regelbasierte Algorithmen, die kostengünstiger sind als eine menschliche Prüfung.

Im Falle einer Produktionslinie ist z. B. ein regelbasiertes industrielles Bildverarbeitungssystem in der Lage, hunderte oder selbst tausende Teile pro Minute zu prüfen. Die Ausgabe dieser visuellen Daten basiert jedoch immer noch auf einem programmatischen, regelbasierten Ansatz zur Lösung von Prüfproblemen. Dadurch ist die industrielle Bildverarbeitung gut geeignet für:

• Führung: Position und Ausrichtung eines Teils bestimmen, mit einer festgelegten Toleranz abgleichen und sicherstellen, dass der Winkel für die korrekte Montage stimmt. Kann zur Lokalisierung der wichtigsten Merkmale eines Teils für andere Vision-Tools verwendet werden.
• Identifikation: Lesen von Barcodes (1D), Datamatrixcodes (2D), direkt markierten Codes (DPM) und Zeichen, die auf Teile, Etiketten und Verpackungen gedruckt sind. Auch zur Objektlokalisierung anhand von Farbe, Form oder Größe.
• Messung: Berechnung des Abstands zwischen zwei oder mehr Punkten oder geometrischen Stellen eines Objekts und Bestimmung, ob diese Messungen die Spezifikationen erfüllen.
• Prüfen: Erkennen von Fehlern oder anderen Unregelmäßigkeiten, wie zum Beispiel richtig aufgeklebte Etiketten oder das Vorhandensein von Sicherheitsversiegelungen, Verschlüssen usw.

Deep Learning verwendet einen beispielbasierten Ansatz anstelle eines regelbasierten Ansatzes, um bestimmte Herausforderungen der Fabrikautomatisierung zu lösen. Durch die Nutzung neuronaler Netze wird einem Computer anhand gekennzeichneter Beispiele beigebracht, was ein gutes Bild ausmacht. So kann Deep Learning beispielsweise Fehler analysieren, Objekte lokalisieren und klassifizieren und gedruckte Markierungen lesen.

In der Praxis heißt das, dass ein Unternehmen möglicherweise versucht, die Bildschirme elektronischer Geräte auf Kratzer, Splitter oder andere Fehler zu untersuchen. Diese Fehler unterscheiden sich alle in Größe, Umfang, Position oder befinden sich auf Bildschirmen mit unterschiedlichen Hintergründen. Mit Deep Learning ist es möglich, durch Berücksichtigung der erwarteten Abweichungen den Unterschied zwischen einem guten und einem fehlerhaften Teil zu erkennen. Zudem ist das Training des Netzwerks auf ein neues Ziel, z. B. eine anderen Bildschirmart, so einfach wie das Aufnehmen neuer Referenzbilder.

Dadurch eignet sich Deep Learning besonders für:

• Die Lösung von Bildverarbeitungsanwendungen, die mit regelbasierten Algorithmen zu schwierig zu programmieren sind
• Die Bewältigung verwirrender Hintergründe und Abweichungen im Aussehen der Teile
• Die Betreuung von Anwendungen und die Schulung mit neuen Bilddaten auf Werksebene
• Die Anpassung an neue Beispiele, ohne Kernalgorithmen neu programmieren zu müssen

Deep Learning wird inzwischen in Anwendungen verwendet, in denen die Prüfung normalerweise manuell ausgeführt wurde, wie bei der Endmontageprüfung. Diese Aufgaben galten früher als zu schwierig zu automatisieren. Mit einem Tool wie Deep Learning können diese Aufgaben nun mit einem Bildverarbeitungssystem kontinuierlicher, zuverlässiger und schneller direkt an der Produktionslinie ausgeführt werden.

Menschen können gut Dinge kategorisieren, die unterschiedlich, aber ähnlich sind. Wir können in wenigen Sekunden die Abweichungen in einer bestimmten Menge von Objekten erkennen. In diesem Sinne vereinen Deep-Learning-Tools die Vorteile der evolutionären Intelligenz des Menschen mit der Einheitlichkeit, Wiederholbarkeit und Skalierbarkeit herkömmlicher regelbasierter Bildverarbeitung.

Das Verständnis dieser Unterschiede ist für jedes Unternehmen, das sich auf den Weg zur Fabrikautomatisierung begibt, von maßgeblicher Bedeutung. Denn diese Unterschiede sind ausschlaggebend für die Entscheidung, den einen oder anderen Faktor in einer Anwendung zur Fabrikautomatisierungsanwendung zu nutzen.

Während herkömmliche Bildverarbeitungssysteme mit konsistenten, gut gefertigten Teilen zuverlässig arbeiten, wird die Programmierung der Algorithmen schwierig, wenn Ausnahmen und Fehlerbibliotheken zunehmen. Mit anderen Worten, ab einem bestimmten Zeitpunkt können einige Anwendungen, die für die Fabrikautomation notwendig sind, mit regelbasierter Bildverarbeitung nicht mehr optimal gelöst werden.

Komplexe Oberflächentexturen und Abweichungen im Aussehen der Teile stellen erhebliche Anforderungen an die Inspektion. Industrielle Bildverarbeitungssysteme können Schwankungen und Abweichungen bei visuell ähnlichen Teilen nur schwer abschätzen. „Funktionelle“ Anomalien, die die Nutzung des Teils beeinflussen, sind nahezu immer ein Ablehnungsgrund. Anomalien im Aussehen können, müssen aber nicht zu einer Ablehnung führen. Dies ist von den jeweiligen Anforderungen und Präferenzen des Herstellers abhängig. Die Problematik besteht darin, dass herkömmliche industrielle Bildverarbeitungssysteme nicht zwischen solchen Fehlern unterscheiden können.

Bestimmte herkömmliche Prüfungen mit industrieller Bildverarbeitung, z. B. die Fehlererkennung, sind bekanntermaßen schwer zu programmieren. Grund dafür sind die vorherrschenden mehreren Variablen, die für eine Maschine ggf. nur schwer zu isolieren sind, z. B. die Beleuchtung, Farbwechsel, Krümmungen oder das Sichtfeld.

Problematisch wird es dann, wenn Unternehmen versuchen, Anwendungen mit Bildverarbeitung zu lösen, wenn ihnen jetzt doch andere geeignetere Werkzeuge zur Verfügung stehen. Während herkömmliche Bildverarbeitungssysteme mit konsistenten, gut gefertigten Teilen zuverlässig arbeiten, wird die Programmierung der Anwendungen durch die Zunahme von Ausnahmen und Fehlerbibliotheken schwierig. Mit anderen Worten, ab einem bestimmten Zeitpunkt können einige Anwendungen, die für die Fabrikautomation notwendig sind, mit regelbasierter Bildverarbeitung nicht mehr optimal gelöst werden.

Das Verständnis dieser Unterschiede ist für jedes Unternehmen von entscheidender Bedeutung, das sich auf den Weg zur Fabrikautomatisierung begibt. Denn diese Unterschiede sind ausschlaggebend für die Entscheidung, den einen oder anderen Faktor in einer Anwendung zur Fabrikautomatisierungsanwendung zu nutzen.

Obwohl Deep Learning die Fabrikautomatisierung, wie wir sie kennen, verändert, ist es nur ein weiteres Werkzeug, mit dem Bediener ihre Arbeit erledigen können. Die herkömmliche regelbasierte Bildverarbeitung ist ein wirkungsvolles Tool für bestimmte Arten von Aufträgen. In diesen komplexen Situationen, in denen menschliches Sehen mit der Geschwindigkeit und Zuverlässigkeit eines Computers erforderlich ist, wird sich Deep Learning als eine wirklich bahnbrechende Option erweisen.

Um mehr über Deep-Learning-Technologien für die Fertigung zu erfahren, laden Sie unser kostenloses eBook Deep Learning im Vergleich zu industrieller Bildverarbeitung herunter.