Deep Learning: In den richtigen Einsatzbereichen ein leistungsstarkes Tool für die maschinelle Bildverarbeitung

Als zertifiziertes Integrationsunternehmen für maschinelle Bildverarbeitungssysteme nutzt LEONI Engineering Products & Services, Inc. (LEPS) Deep Learning, um Industriekunden bei der Bewältigung von Herausforderungen zu unterstützen, die mit traditionellen maschinellen Bildverarbeitungslösungen nicht gemeistert werden können. Das bedeutet aber nicht, dass Deep Learning ein Patentrezept ist, das ausnahmslos für jede Anwendung geeignet ist.

„Mithilfe von Deep Learning lernt ein maschinelles Bildverarbeitungssystem anhand statistischer Analysen von professionell getaggten Aufnahmen, welche Teile einwandfrei sind und welche fehlerhaft“, so Jim Reed, Technical Sales, Vision Solutions, LEPS. „Das System lernt ähnlich wie der Mensch. Wenn jedoch in einem bestimmten Einsatzbereich die Aufgaben mit traditionellen Methoden der maschinellen Bildverarbeitung erledigt werden können, ist dies sicherlich schneller und günstiger als eine Deep-Learning-Lösung.“

Deep Learning wird zum Teil missverstanden – das maschinelle Bildverarbeitungssystem lernt sich nicht selbst an. Andrew Meyer, Sales Engineer, LEPS, erklärt, dass Deep Learning aus zwei Phasen besteht: Lernen und Rückschlüsse ziehen. Lernen bedeutet, dass die Deep-Learning-Software enorme Rechenleistung nutzt, um Aufnahmen von Objekten zu analysieren, die ein externer Experte als „gut“ oder „schlecht“ getaggt hat. Das erfolgt häufig in der Cloud oder über leistungsstarke PCs, die den Systemdesignern zur Verfügung stehen.

Nach der Lernphase kann das Deep-Learning-Programm in der Phase „Rückschlüsse ziehen“ auf lokalen Hostrechnern ausgeführt werden. Das Deep-Learning-System beurteilt dann die Qualität neuer Teile – das ist der Schritt „Prüfung“.

„Deep Learning ist eine tolle Sache, wenn es darum geht, Mängel zu erkennen, die schwer zu definieren sind, wie zum Beispiel ein zufälliger Kratzer auf einem Smartphone-Cover“, so Meyer. „In traditionellen Einsatzbereichen der maschinellen Bildverarbeitung wie Messtechnik macht Deep Learning allerdings wenig Sinn.“

Wenn ein Einsatzbereich für Deep Learning in Frage kommt, überprüft LEPS gemeinsam mit dem Kunden anhand getaggter Aufnahmen dessen Eignung.

„Wenn es bereits ein maschinelles Bildverarbeitungssystem gibt, kann die Bedienperson die Aufnahmen sofort taggen“, so Reed. „Gibt es kein solches System, können wir eine Kamera installieren, um genügend Bildmaterial zu sammeln. Das erscheint auf den ersten Blick einfacher, als alles mit traditionellen Algorithmen der maschinellen Bildverarbeitung zu programmieren, bedeutet aber dennoch Aufwand.“

Ein Einsatzbereich, in dem sich Deep Learning bewährt hat, ist die Prüfung von Formen für Sitzpolster im Automobil. Jede Form, von der es mehrere tausend Varianten gibt, enthält eine bestimmte Anzahl an Drähten, Klemmen und anderen Komponenten. Bei diesen Formen sind Nachbesserungen bekanntermaßen schwierig. Eine einzige fehlerhafte Form kann bei einer ganzen Sitzpolster-Serie Umsatzeinbußen bedeuten. Traditionelle maschinelle Bildverarbeitungssysteme werden genutzt, um alle Teile einer Form zu prüfen, um festzustellen, ob ein Teil falsch eingebaut ist oder fehlt, und um im Fall fehlender Teile eine Meldung auszugeben, dass die Form nachgebessert werden muss. Da sich die Designs der Sitzpolster jedoch ständig ändern, braucht es für die Bedienung des maschinellen Bildverarbeitungssystems eine Vollzeitkraft, die jede neue Form in das System einprogrammiert.

„Der Kunde hat festgestellt, dass er jetzt jeden beliebigen Mitarbeiter, der sich mit einer Klemme oder einer Komponente auskennt, einsetzen kann, um neue Polstermodelle in das Deep-Learning-Prüfsystem einzupflegen“, so Meyer. Das System macht sich dann für die weiteren Prüfungen mit den neuen Modellen vertraut, ohne dass eine Vollzeitkraft eingreifen muss.

In der Fabrikautomation werden ständig neue Technologien entwickelt. LEPS konzentriert sich auf die Auswahl der für einen bestimmten Einsatzbereich am besten geeigneten Technologie, damit die Kunden moderne Technologie optimal für die Verbesserung ihrer Produktion nutzen können. 

Kontakt
Diese Seite verwendet Cookies, um Ihre Benutzererfahrung zu verbessern und speziell auf Ihre Interessen zugeschnittene Inhalte zur Verfügung zu stellen. Detaillierte Informationen über die Verwendung von Cookies auf dieser Website finden Sie in unserer Datenschutzrichtlinie. Durch die Nutzung dieser Website erklären Sie sich mit der Verwendung von Cookies einverstanden.