4 Tools für Deep-Learning-Prüfungen in der Fabrikautomatisierung
Die Deep-Learning-Software automatisiert ein breites Sortiment an Produktionsaufgaben, die für menschliche Inspektoren und regelbasierte Algorithmen unpraktisch sind.
Betrachten wir zum Beispiel einen Prüfer an einer Produktionslinie in der Automobilindustrie: Türen, Kotflügel, Sitze, Fenster und Hunderte weitere Bauteile können unterwegs zerkratzt, verbeult, zerrissen oder beschädigt werden. Menschen können einige solcher Fehler erkennen. Industrielle Bildverarbeitungssysteme mit Hightech-Kameras und komplexen Algorithmen können auf etwas mehr genau definierte, vorgegebene Fehler aufmerksam machen.
Das Problem besteht darin, dass all die Variablen in einer Produktionsumgebung Unregelmäßigkeiten hervorrufen können, die unmöglich vorherzusehen sind. Hier kommt die Deep-Learning-Software zu Hilfe: Sie nutzt digitale Kameras und Bilderkennungsalgorithmen und lernt damit, ein breites Spektrum von Problemen, z. B. Rost, Verfärbung und Schäden, zu erkennen.
Wenn Deep-Learning-Anwendungen richtig entwickelt wurden, helfen sie Herstellern dabei, Fehler zu reduzieren und die Produktqualität zu verbessern. In einer Inspektionsanwendung arbeiten industrielle Bildverarbeitung und Deep Learning folgendermaßen zusammen:
- Entwickler erstellen eine Datenbank mit Trainingsbildern von unbeschädigten Produkten, um das „richtige“ Erscheinungsbild des Produkts festzulegen.
- Um die gängigsten Anomalien und Fehler zu erkennen, fügen die Entwickler Bilder von beschädigten Produkten hinzu.
- Industrielle Bildverarbeitungskameras nehmen Bilder von Artikeln auf Produktionslinien auf. Die Anwendung für maschinelles Lernen vergleicht diese neuen Bilder mit den Trainingsbildern, um mögliche Fehler zu kennzeichnen.
- Da die Anwendung so optimiert ist, dass sie Erfolg sucht und Fehler vermeidet, bringt sie sich im Wesentlichen selbst bei, mit der Zeit präziser zu werden.
Eine Software für Deep-Learning-Anwendungen in der Fertigung muss vier wesentliche Fähigkeiten besitzen, welche im Folgenden näher erläutert werden:
1. Lokalisierung von Merkmalen und Montageüberprüfung
Fehler zu finden ist nicht die einzige Aufgabe der industriellen Bildverarbeitung und Deep-Learning-Software. Sie kann auch Trainingsbilder und Lernalgorithmen verwenden, um bestimmte Komponenten zu lokalisieren, die bei Aufgaben wie der Anweisung eines Roboterarms zur ordnungsgemäßen Ausrichtung von Komponenten helfen. Das ist für hochpräzise Produkte wie Halbleiter, Smartphones und Pharmazeutika wesentlich.
Diese Anwendungen können auch die Anzahl von Produkten an einer Position scannen und einem Roboter auftragen, weitere gleiche Produkte hinzuzufügen, bis ein Regal oder Karton voll ist. Sie können auch alle Komponenten in einer Packung zählen, um zu gewährleisten, dass nichts fehlt.
Die besten Lokalisierungs- und Verifizierungstools funktionieren bei verschiedensten Beleuchtungen und Oberflächen, die regelbasierte Bildverarbeitungssysteme und Mitarbeitende in der Qualitätskontrolle irritieren.
2. Defekterkennung und Segmentierung
Die Fehlererkennung ist vielleicht die begehrteste Fähigkeit der Software für maschinelles Lernen in Produktionsumgebungen. Während industrielle Bildverarbeitungssysteme so programmiert werden können, dass sie eine Fehlerart kennzeichnen, ist das Erkennen mehrerer Fehler auf diese Weise viel zu zeitaufwändig.
Defekterkennungstools beginnen mit einer Datenbank von „guten“ Bildern und Aufnahmen von häufigen Fehlern wie Rost, Druckstellen, Kratzern und fehlerhaften Ausrichtungen. Erstklassige Erkennungstools verfügen auch über eine Option zur Erkennung von Fehlern, die vom „guten“ Bild abweichen. Diese Bilder von seltenen Produktionsergebnissen können dem Tool helfen, selbst seine Genauigkeit zu verbessern.
Die Segmentierung erkennt einen Abschnitt in einem Bild und weist die Software an, diesen Bereich auf Fehler zu durchsuchen. Das vereinfacht Deep-Learning-Anwendungen, indem Bereiche herausgefiltert werden, die für die Segmentsuche nicht relevant sind.
Mehr erfahren: Wie Deep Learning Prüfungen in der Automobilindustrie und anderen Branchen automatisiert
3. Objekt- und Szenenklassifizierung
Die Klassifizierung von Objekten und Szenen hilft Deep-Learning-Anwendungen dabei, Fehler in Klassen zu unterteilen. Dadurch wird die Fähigkeit der Anwendung optimiert, sich selbst ohne menschlichen Eingriff zu verbessern. Im Allgemeinen werden Bilder nach bestimmten Merkmalen gekennzeichnet und anschließend nach bestimmten Parametern klassifiziert. Auf diese Weise können zerkratzte Produkte zum Beispiel automatisch zur Lackierstraße zurückgeleitet werden, während verbeulte Produkte in die Schlosserei geschickt werden können.
Bei der Klassifizierung werden Produkte und Komponenten anhand gemeinsamer Merkmale wie Farbe, Textur, Materialien, Verpackung und Fehlertyp sortiert. Die besten Klassifizierungstools erstellen Toleranzen für natürliche Abweichungen hinsichtlich Nuancen, Formen oder Abmessungen und passen diese Toleranzen an die Anforderungen der jeweiligen Klasse an.
Mehr lesen: Wie das Deep-Learning-Klassifizierungstool funktioniert
4. Lesen von Text und Zeichen
Das konsistente Lesen von Wörtern, Zahlen oder Text auf Oberflächen wie einem Motorblock oder Kupferrohr kann für Menschen und standardmäßige industrielle Bildverarbeitungsalgorithmen so gut wie unmöglich sein. Die Beleuchtung an einer Produktionslinie kann stark variieren, an einigen Stellen Schatten und an anderen Blendeffekte verursachen — die im Laufe des Tages je nach den Änderungen des Umgebungslichts auf Werksebene wechseln.
Deep-Learning-Anwendungen verbinden Schrifttypen und Zeichensätze mit der Beschriftung auf Teilen in der Produktion. Dadurch kann Text durch Kunststoffabdeckungen und auf unebenen Oberflächen, z. B. bei Kleidung oder Gartenwerkzeug, leichter gelesen werden. Modernste Zeichenlesetools gehen über die Werksebene hinaus und finden in ausgeklügelten Vertriebs-, Logistik- und Handelssystemen Verwendung.
Werfen Sie einen Blick darauf: Komplexe und anspruchsvolle Zeichen unter allen Bedingungen mit Deep-Learning-basierter OCR lesen
Weitere Merkmale der Deep-Learning-Software
Neben den vier hier beschriebenen Fähigkeiten sollte ein robustes Deep-Learning-Softwarepaket außerdem:
- Einfach zu erlernen sein, mit einer intuitiven GUI, die kein großes technisches Fachwissen erfordert.
- Für visuelle Prüfungen in Produktionsumgebungen optimiert sein, mit einer kleineren Bildauswahl, die weniger Training erfordert.
- Für Windows PCs mit GPUs (Grafikprozessoren) konzipiert sein.
Cognex Deep Learning bietet diese und viele weitere leistungsstarke Merkmale, die im Gegensatz zu anderen Open-Source-Frameworks mit Deep Learning speziell für Werks- und Produktionsumgebungen entwickelt wurden. Es kombiniert eine umfassende Bibliothek industrieller Bildverarbeitungstools mit modernsten Deep-Learning-Tools in einem gemeinsamen Entwicklungs- und Implementierungsrahmen.
