Die industrielle Bildverarbeitung gilt als eine der Leittechnologien in der Industrie 4.0. Als Auge der Produktion ist Machine Vision in der Lage, das Fertigungsgeschehen in Echtzeit zu überwachen und zu optimieren. Dabei werden moderne Bildverarbeitungssysteme zunehmend mit künstlicher Intelligenz (KI) ausgestattet. Hierbei wird als Methode oft Deep Learning basierend auf Convolutional Neural Networks (CNNs) angewendet.
Diese Verfahren nutzen sehr große Mengen an Bilddaten für einen umfassenden Trainingsprozess. Hier werden spezifische Besonderheiten und Merkmale automatisch eingelernt, damit nach diesem Training neue Bilddaten präzise der jeweiligen Klasse zugeordnet und damit besonders hohe und robuste Erkennungsraten erzielt werden können. Neben der Klassifizierung erlauben die Deep-Learning-Algorithmen auch die genaue Lokalisierung von Objekten und Defekten.
Grenzen von Deep Learning
Typischerweise kommt Deep Learning bei Klassifizierung oder Objektdetektion zur Anwendung. Für andere Applikationen in der Bildverarbeitung ist die Technologie nur eingeschränkt geeignet. Da große Datenmengen analysiert werden müssen, ist das Training in der Regel außerdem sehr ressourcenintensiv. Auch die Klassifizierung von Daten verursacht einen größeren Aufwand. Daher werden große Rechenkapazitäten benötigt. So reicht bei extrem zeitkritischen Anwendungen eine Standard-CPU meist nicht aus.
Eine weitere Herausforderung: Der Markt bietet für Deep Learning als vergleichsweise junge Technologie noch kaum gängige Standards. Und schließlich handelt es sich bei Deep Learning um ein sehr komplexes Verfahren, das eine fundierte Expertise erfordert. Möchten Firmen dennoch die Vorteile der KI nutzen, können sie auf bereits vortrainierte Deep-Learning-Netze zurückgreifen. Hierfür sind als kostengünstige Variante diverse Open-Source-Lösungen erhältlich. Dabei ist jedoch Vorsicht geboten: Um Objekte sicher zu identifizieren, werden mehrere Hunderttausend Beispielbilder benötigt und die Bilder sollten lizenzfrei verwendbar sein. Open-Source-Produkte können dies in der Regel nicht gewährleisten.
Nur wenige eigene Bilder nötig
Eine sichere Alternative bietet hier proprietäre Standardsoftware für die industrielle Bildverarbeitung, die mit vortrainierten Netzen arbeitet. Die Mvtecs Toolbox Halcon etwa enthält alle wichtigen Funktionen, die für das Training von Deep-Learning-Netzen erforderlich sind. Beispielsweise bringt die Software mehrere Netze mit, die auf der Basis von rund drei Millionen sorgfältig selektierten, lizenzfreien Bildern aus dem industriellen Umfeld vortrainiert wurden. Damit benötigen Unternehmen nur noch vergleichsweise wenige eigene Bilder, um die Netze auf ihre Anwendungen angepasst fertig zu trainieren.
Fazit: Moderne Machine-Vision-Lösungen kommen heute kaum mehr ohne KI-basierte Technologien aus. Technologien wie Deep Learning und Convolutional Neural Networks (CNNs) bieten zahlreiche Vorteile, weisen aber auch Grenzen auf und sind daher nicht für alle Anwendungsfälle uneingeschränkt geeignet. Möchten Unternehmen dennoch umfassende Deep-Learning-Funktionen effizient nutzen, sind sie mit einer vorkonfigurierten Machine-Vision-Software gut beraten.
MVTec Software GmbH
Mehr zum Thema Industrie 4.0
