Wie ein neuronales Netzwerk bei der Fertigungsprüfung hilft

neural network banner

Automatische Texterstellung in E-Mails, Spracherkennung, die Analyse medizinischer Bildgebung, die Colorierung von alten Fotografien, personalisierte Online-Werbung, Strategiespielecomputer und Gesichtserkennung zum Entsperren Ihres Mobiltelefons - dies alles sind Beispiele, wie künstliche Intelligenz unser Leben ein bisschen einfacher, lustiger, unheimlicher und insgesamt, könnte man sagen, interessanter macht. Und in der Fabrikautomation eröffnet die künstliche Intelligenz neue Ansätze bei komplexen und schwierigen Prüfanwendungen in der Fertigung.

Diese KI-basierten Anwendungen werden von Deep Learning betrieben, das auf der Arbeit neuronaler Netzwerke beruht.

Neuronale Netzwerke wurden erstmals 1944 von Warren McCullough und Walter Pitts präsentiert, zwei Forschern der University of Chicago, die 1952 als Gründungsmitglieder zum MIT wechselten, das manchmal als erstes Institut für Kognitionswissenschaft bezeichnet wird.

Was ist ein neuronales Netzwerk? 

Im Grunde sind neuronale Netzwerke Computerprogramme, die entwickelt wurden, um die Funktionen des menschlichen Gehirns nachzuahmen. Jedes Programm in einem neuronalen Netzwerk kann nur grundlegende Berechnungen durchführen. Durch Verbindung mehrerer Knotenpunkte miteinander wird die Rechenleistung insgesamt größer als die Summe ihrer Teile. Wenn ein neuronales Netzwerk eingegebene Daten von einem Programm zu einem anderen innerhalb des Systems weiterleitet, lernt es selbst und verwendet diese Daten, um intelligenter zu werden; dieser Vorgang ist dem Informationserwerb des Menschen ähnlich. 

Neuronale Netzwerke wurden daher zu jener Methode, mit der Computer lernen, bestimmte Aufgaben durchzuführen, zum Beispiel ein bestimmtes Gesicht auf verschiedenen Fotos zu erkennen oder anhand eines Referenzsatzes von Hundebildern festzustellen, was ein Hund ist und was nicht. 

„Neuronale Netzwerke sind das, was Deep Learning erst möglich macht“, sagt Bob Ochiai, Produktmarketing-Manager für Deep Learning bei Cognex.„Neuronale Netzwerke und Deep Learning sind ein Werkzeug für den Menschen, um intelligentere Anwendungen zu schaffen, die es uns ermöglichen, effizienter zu arbeiten und spezifische, komplexe Anwendungen in fast jedem Umfeld zu lösen.“  

Jedes Programm in einem neuronalen Netzwerk wird als Neuron bezeichnet und diese Neuronen sind mit einer beliebigen Anzahl anderer Neuronen verbunden. Je stärker und effizienter die Verbindungen zwischen den Neuronen sind, umso besser funktioniert das neuronale Netzwerk. Den Vorgang, bei dem eine Verbindung zwischen den Neuronen in einem neuronalen Netzwerk hergestellt wird, bezeichnet man als Training.  

 Neuronale Deep Learning Netzwerke

 Während die Daten durch jede Schicht eines neuronalen Netzwerks weitergeleitet werden, lernt das System und verbessert seine Ergebnisse, um bei einer bestimmten Aufgabe, für deren Lösung es eingerichtet wurde, genauer zu sein. In einer Fabrikautomationsumgebung könnten neuronale Netzwerke zum Beispiel genutzt werden, um komplexe Aufgaben der Defekterkennung zu lösen oder andere Produktunregelmäßigkeiten zu erkennen, die für die Erstellung eines regelbasierten Programms zu zahlreich sind.

 Das System lernt durch drei Methoden:

  • Überwachtes Lernen: Diese Lernstrategie ist die einfachste, da es dabei einen gekennzeichneten Datensatz gibt, den der Computer durchgeht; der Algorithmus wird verändert, bis er den Datensatz so verarbeiten kann, dass er das gewünschte Ergebnis erzielt.
  • Nicht überwachtes Lernen: Diese Strategie wird in Fällen verwendet, in denen kein gekennzeichneter Datensatz zum Lernen verfügbar ist. Das neuronale Netzwerk analysiert den Datensatz, dann teilt eine Bewertungsfunktion dem neuronalen Netzwerk mit, wie weit es vom Ziel entfernt war. Das neuronale Netzwerk passt sich dann an, um die Genauigkeit des Algorithmus zu erhöhen.
  • Forciertes Lernen: In diesem Algorithmus wird das neuronale Netzwerk durch positive Ergebnisse bestärkt und für negative Ergebnisse bestraft, was das neuronale Netzwerk dazu zwingt, mit der Zeit zu lernen. 

Die Auswirkungen neuronaler Netzwerke auf Fertigungsprüfungen

Sagen wir, ein Automobilteilehersteller möchte Kratzer an einer Stoßstange, die er herstellt, identifizieren. Es gibt aber keine Möglichkeit festzustellen, wo ein möglicher Kratzer an einer Stoßstange auftreten kann. Die Suche und Feststellung von Kratzern lässt sich aufgrund der Abweichungen nicht wirklich effizient in einer Bildverarbeitungsanwendung programmieren; Kratzer könnten tief oder flach, lang oder kurz sein und überall auf der Oberfläche auftreten usw. 

Die Berücksichtigung dieser Abweichungen wird komplex, außer natürlich, es gäbe die Möglichkeit, eine Anwendung so zu trainieren, dass sie erkennt, wie eine ordnungsgemäße Stoßstange aussieht und dann Stoßstangen kennzeichnet, die außerhalb dieser Parameter liegen.  

„Mit der durch neuronale Netzwerke ermöglichten Deep Learning Bildanalyse können Unternehmen Prüfverfahren einfacher automatisieren, die mit herkömmlicher Bildverarbeitung wirklich komplex oder schwierig durchzuführen wären“, sagt Ochiai.„Denken Sie an die Bestückungsüberprüfung, die meistens immer noch von Menschen durchgeführt wird. Oder die Defekterkennung ist ein anderes Beispiel, wo diese Technologie Hersteller bei ihren Automatisierungsstrategien unterstützen kann.“ 

Die Bewährungsprobe für ein neuronales Netzwerk ist seine leistungsfähigen Mustererkennungsfunktion. Neuronale Netzwerke brauchen aber, wie Ochiai anmerkt, sehr hochwertige gekennzeichnete Daten, um ihre Modelle erfolgreich zu trainieren. Und, um es noch komplizierter zu machen, werden viele, viele Referenzbilddaten benötigt. 

Laden Sie unseren Leitfaden Deep Learning vs. Industrielle Bildverarbeitung herunter, um mehr darüber zu erfahren, wie neuronale Netzwerke und Deep Learning komplexe Herausforderungen bei der Fertigungsprüfung meistern.

 

Weitere Posts auf

ERHALTEN SIE ZUGANG ZU SUPPORT & TRAINING FÜR PRODUKTE & MEHR

Werden Sie Teil von MyCognex