Ein konventionelles, also regelbasiertes Bildverarbeitungssystem kann in einer Produktionslinie Hunderte oder gar Tausende von Teilen pro Minute mit hoher Genauigkeit prüfen und ist insbesondere bei einer bekannten Reihe von Variablen und in kontrollierten Umgebungen sehr nützlich.
Aber was passiert in weniger eindeutigen Situationen? Hier kommt nun Deep Learning ins Spiel, denn mit Deep Learning können spezifische Aufgaben gelöst werden, ohne dass sie vorher explizit programmiert wurden. Beim Deep Learning werden Daten benutzt und diese in neuronalen Netzwerken trainiert. Ausgehend von einer übergeordneten Logik, die beim anfänglichen Training entwickelt wird, optimieren tiefe neuronale Netzwerke ihre Leistung immer weiter.
Deep Learning basiert auf der Erkennung von Unterschieden, denn es sucht in einer Datenreihe permanent nach Änderungen und Unregelmäßigkeiten. Es reagiert also auch auf unvorhersehbare Defekte – anders als Bildverarbeitungssysteme, die auf strengen Programmierregeln basieren. Mit Deep-Learning-Technologien können durch die trainierten Daten sehr genaue Ergebnisse erzielt werden.
Typisches Beispiel ist die Suche nach Kratzern auf Bildschirmen
Damit eignet sich Deep Learning für das Lösen von Bildverarbeitungsanwendungen, die sich mit regelbasierten Algorithmen nur schwer programmieren lassen. Zudem eignet sich Deep Learning bei unübersichtlichen Hintergründen und bei Abweichungen im Erscheinungsbild der Teile. Darüber hinaus lassen sich mit der Technologie neue Teile einlernen, ohne die Anwendung umprogrammieren zu müssen.
Ein typisches Beispiel für Deep Learning in der Bildverarbeitung ist die Suche nach Kratzern auf Bildschirmen von Elektrogeräten. Die Prüfung von visuell ähnlichen Teilen mit einer komplexen Oberflächenstruktur und Abweichungen beim Erscheinungsbild stellt herkömmliche Bildverarbeitungssysteme vor große Herausforderungen. Denn die Defekte unterscheiden sich in Größe, Umfang, Position oder bei Bildschirmen mit unterschiedlichen Hintergründen voneinander. Deep Learning dagegen kann solche Abweichungen berücksichtigen. Außerdem lassen sich neue Referenzbilder – beispielsweise eine andere Bildschirmart – ganz einfach trainieren.
Cognex Corporation
Hier finden Sie mehr über:
