• Cognex Vertrieb: +49-721-958-8052

  • Kontakt

Cognex Blogs

Warum das richtige Training von Deep-Learning-Prüfanwendungen für den Erfolg entscheidend ist

The small threat AI poses in industrial automation

Wie bei jeder neuen Technologie in der Fabrikautomation gibt es aber Bedenken und Kompromisse, die mit ihrer Einführung und ihrem Rollout einhergehen. Während die Deep-Learning-basierte Bildverarbeitung verspricht, viele komplexe Fabrikanwendungen zu lösen, ist sie keineswegs ein Allheilmittel oder eine Wunderwaffe. Daher ist es bei jedem Projekt wichtig, die richtigen Erwartungen zu setzen, was diese Technologie tun kann; rechtzeitig zu wissen, was die Erstellung einer Anwendung erfordert, ist ausschlaggebend.

Eine der wichtigsten Überlegungen beim Aufbau von Deep Learning-basierten Prüfanwendungen ist das Trainieren der Anwendung. Daher werden Deep-Learning-basierte Anwendungen nicht eigens programmiert; sie werden vielmehr anhand von Referenzbildern trainiert, um Anomalien zu erkennen, die außerhalb des akzeptierten Bereichs liegen.

Zum besseren Verständnis, warum das richtige Training einer Anwendung mit künstlicher Intelligenz wichtig ist, eignet sich ein Vergleich, den Nate Soares zieht, ein ehemaliger Google Software Engineer, der das Machine Intelligence Research Institute leitet. Er bezieht sich auf den Disney-Zeichentrickfilm Fantasia — besonders die Zauberlehrlingsszene.

„Das Problem, vor dem Mickey steht, als er einen Besen verzaubert, damit er ihm hilft, einen Kessel zu befüllen, ist nicht, dass sich der Besen auflehnt oder einen eigenen Willen erlangt, sondern dass er die übertragene Aufgabe zu gut ausführt“, erläuterte Soares 2018 in einem Interview. „Er möchte, dass der Kessel voll wird. Die Überflutung der Werkstatt lässt ihn sichergehen, dass der Kessel voll ist (und bleibt). Mickey hatte sein KI-System erfolgreich „ausgerichtet“, aber die Dinge liefen für Mickey trotzdem schlecht.“

Warum das Training einer Deep-Learning-basierten Anwendung wichtig ist

Mit anderen Worten, das Ergebnis oder der Output einer Deep-Learning-basierten Anwendung kann ohne richtiges Training dieses Systems unerwartet sein, was nicht gut ist, wenn ein Hersteller zuverlässige Prüfergebnisse braucht. Im Falle der Fabrikautomation müssen Anwendungstechniker verstehen, dass eine gut trainierte Deep-Learning-Anwendung einen umfassenden Satz von Trainingsbildern erfordert; diese sollen die Bandbreite der Fehler und/oder akzeptablen Teilevarianten darstellen, um in der Produktion gut zu funktionieren.

Diese Bilder müssen auch unter den Bedingungen der Produktionsbeleuchtung und Bauteilepräsentation aufgenommen werden. Das ist für den Erfolg eines Deep-Learning-Projekts wesentlich.

Die Qualifizierung einer Deep-Learning-Vision-Lösung ist ein iterativer Prozess, bei dem das System an einer Produktionslinie installiert werden muss. Im Gegensatz zu herkömmlichen Bildverarbeitungssystemen müssen das Trainieren und Validieren der Bilder für das Deep Learning während der Entwicklungsphase erfolgen - es darf nicht bis zur Werksabnahmeprüfung gewartet werden. Deep Learning benötigt zum Einlernen eine große Zahl von Proben, was einige Zeit in Anspruch nehmen kann. Nur so kann eine repräsentative Reihe von Bildern erfasst werden, die zur Schulung eines gut funktionierenden Deep-Learning-Tools erforderlich sind.

„Deep-Learning-Systeme arbeiten manchmal gut im Labor, haben jedoch Probleme, wenn sie in der Produktionsumgebung eingeführt werden“, sagt Grace Lee, Senior Product Marketing Manager für KI bei Cognex. „Frustrationen der Benutzer ergeben sich aus den unterschätzten Unterschieden zwischen Deep-Learning-Lösungen und der vertrauteren herkömmlichen industriellen Bildverarbeitung.“

Lee arbeitet im Team für künstliche Intelligenz bei Cognex, das Deep-Learning-Lösungen für die Fabrikautomation liefert. Dieses hat vor kurzem jene Deep-Learning-Algorithmen in die Software implementiert, die industrielle Bildverarbeitungskameras betreibt, um komplexere und schwierige Prüfprobleme zu bewältigen.

Solche Tools helfen ihren Kunden dabei, genauere und skalierbare Entscheidungen bei der Prüfung auf Mängel oder Anomalien zu treffen. Sie vergleicht die Arbeit von Cognex im Bereich der künstlichen Intelligenz und insbesondere dem Deep Learning mit ähnlichen anderen KI-basierten Tools, die Menschen helfen, klügere Entscheidungen beim Kauf von Flugtickets, Aktien oder der Empfehlung von neuer Musik zu treffen. Die Deep-Learning-Lösungen von Cognex dagegen ermöglichen Herstellern klügere Entscheidungen bei Qualitätsprüfungen, die ansonsten von Menschen durchgeführt werden müssten, da sie zu schwierig zu automatisieren sind.

„Die Anwendung von KI in einer Fabrikumgebung ist kein Zukunftsversprechen“, sagt Lee. „Es geht vielmehr um die Bewältigung aktueller Herausforderungen. Techniker müssen jedoch die Art und Weise, wie sie Projekte erstellen, durchdenken, sie müssen sie trainieren, damit sie effizient sind und sie letztendlich ausführen.“

Laden Sie das eBook Die ersten Schritte mit einem Deep-Learning-Fabrikautomationsprojekt herunter, um mehr zu erfahren.

Weitere Posts auf

ERHALTEN SIE ZUGANG ZU SUPPORT & TRAINING FÜR PRODUKTE & MEHR

Werden Sie Teil von MyCognex

SIE HABEN EINE FRAGE?

Cognex is weltweit vertreten, um Sie bei Ihren Vision- und Barcode-Anwendungen zu unterstützen.

Kontakt
Loading...