Die Zuverlässigkeit und Anwendungsbereiche von optischer Zeichenerkennung (OCR) lassen sich mit künstlicher Intelligenz deutlich ausbauen. Das System eines US-amerikanischen Kameraherstellers ist ein Beispiel dafür, dass auch unerfahrene Anwender von den Vorteilen profitieren können.

Die Hersteller vieler Industriesektoren stehen vor großen Herausforderungen: Sie müssen qualifizierte Arbeitskräfte einstellen, einarbeiten und langfristig behalten, Schritt halten mit technologischen Innovationen und die gestiegenen Erwartungen an Geschwindigkeit sowie Genauigkeit erfüllen. Für die Automobilindustrie zählen außerdem zusätzliche Prioritäten, wie Nachhaltigkeit, die Digitalisierung von Prozessen und Lieferketten, die gestiegenen Erwartungen an die Sicherheit und der zunehmende Bedarf nach personalisierten Funktionen.

Laut der aktuellen „Automotive Ecosystem Vision“-Studie [1] von Zebra sind 73 Prozent der Entscheidungsträger in der Branche der Meinung, ihr Unternehmen erleide einen Wettbewerbsnachteil, sollte es weniger digitale Technologien einsetzen. Hier wird vor allem die Entwicklung von Software-Know-how als eine der fünf wichtigsten Prioritäten bei Investitionen genannt. Ein Bericht von McKinsey [2] geht ebenfalls davon aus, dass uns die jüngsten Entwicklungen in den Bereichen Robotik, künstlicher Intelligenz und maschinellem Lernen an die Schwelle eines neuen Zeitalters der Automatisierung gebracht haben.

Optische Zeichenerkennung mit KI-Unterstützung

Eine Innovation, die zunehmend an Bedeutung gewinnt, ist die Kombination von OCR-Software (Optical Character Recognition: Optische Zeichenerkennung) und Deep Learn­ing. Laut der genannten Automotive-Studie von Zebra erwarten Entscheidungsträger von OEMs (original equipment manufacturer: Originalausrüstungshersteller), dass der Anteil der industriellen maschinellen Bildverarbeitung von heute 24 Prozent bis 2027 auf 44 Prozent zunehmen wird. Das entspricht einem Zuwachs von 83 Prozent.

Die Kombination von Deep Learning und OCR erfüllt die Erfordernisse nach Geschwindigkeit, Genauigkeit und zuverlässigen Lösungen für Compliance-, Qualitäts- und Anwesenheitskontrollen in allen Bereichen der Fertigungsindustrie. Wobei Betriebsleiter in der Automobil-, Pharma-, Elektronik- sowie Lebensmittel- und Getränkeindustrie am meisten von Deep Learning OCR profitieren können.

Intelligente Fertigung mittels maschinellem Sehen

Maschinelles Sehen und Deep Learning OCR ermöglichen eine intelligente Fertigung beziehungsweise Smart Manufacturing. Gartner [3] definiert dies als eine Orchestrierung von physischen und digitalen Prozessen in Fabriken und anderen Funktionen der Lieferkette. Diese verändern die Art und Weise, wie Menschen, Prozesse und Technologien funktionieren. Damit liefern sie die Informationen, die für die Qualität, Effizienz, Kosten und Flexibilität von Entscheidungen erforderlich sind.

Texte verlässlich maschinell zu lesen, kann jedoch eine Herausforderung sein. Stilisierte Schriften, unscharfe, verzerrte oder verdeckte Zeichen, spiegelnde Oberflächen und komplexe, ungleichmäßige Hintergründe können es
unmöglich machen, mit herkömmlichen OCR-Techniken stabile Ergebnisse zu erzielen.

Deep OCR für schwierige Anwendungen

Es gibt jedoch neue Tools auf dem Markt, die Deep Learning OCR in Industriequalität bieten und mit gebrauchsfertigen neuronalen Netzen geliefert werden, die zuvor mit Tausenden von Bildbeispielen trainiert wurden. Diese Algorithmen können auch bei sehr schwierigen Fällen eine hohe Genauigkeit liefern.

In der Automobilproduktion bedeutet dies, dass eine OCR-Lösung mit Deep Learning gedruckte, geprägte, matte und metallische Seriennummern auf Batterien, Reifen, Teilen und Zubehör zuverlässig lesen kann. Sie stellt sicher, dass diese Seriennummern mit der Fahrzeugidentifikationsnummer (VIN) des Fahrzeugmodells übereinstimmen. Diese Lösungen kommen mit einer Bandbreite von Schriftarten und -größen aber auch wechselnder Beleuchtung und rauen Fertigungsumgebungen zurecht.

Außerdem eignet sich Deep Learning OCR auch als Teil umfassenderer Bildverarbeitungslösungen. In der Automobil­fertigung kann ein Bildverarbeitungssystem beispielsweise das Vorhandensein oder das Fehlen von Pin-Anschlüssen sowie deren Qualität prüfen. Platinen können damit auf gleich­mäßige Beschichtung und Klebestellen untersucht werden, die Verkabelung der Batterie sowie die Polarität und die Montage lassen sich kontrollieren. In diesen Szenarien können Bildverarbeitungslösungen, die dieselben Kameras mit einer vereinheitlichten Software-Plattform verwenden, Bauteile viel schneller prüfen und Defekte und Fehler an einen Ingenieur melden. Dieser untersucht dann die Komponenten und entscheidet, ob es sich tatsächlich um einen Fehler handelt oder nicht. Durch die Rückführung der Prüf­entscheidung in das neuronale Netz entsteht ein kontinuierlicher Lernprozess, der das Modell weiterentwickelt. Dies optimiert die Effizienz und nimmt dem Prüfpersonal eine wichtige, aber mühsame Aufgabe ab.

Deep Learning ohne Fachkenntnisse in der maschinellen Bildverarbeitung

Durch seine Schnelligkeit und Genauigkeit kann Deep Learning Ingenieure stark unterstützen: Es stellt die erforderliche Qualität in der Fertigung sicher, senkt Produktionskosten und erhöht auch die Kundenzufriedenheit. Ebenso wertvoll ist jedoch die Nutzerfreundlichkeit, und genau hier glänzt die Deep Learning OCR-Software. Die Technologie ist einfach einzusetzen und mit wenigen Schritten einsatzbereit – ganz ohne Fachkenntnisse in der maschinellen Bildverarbeitung.
    Zusammengefasst eröffnen die leichter zugänglichen Lösungen für maschinelles Sehen und Deep Learning OCR neue Möglichkeiten für Fachleute und Ingenieure der industriellen Bildverarbeitung. Sie können so mehr wie Datenanalysten denken und handeln. Diese Entwicklung ist notwendig und willkommen, da die Datenmenge und -vielfalt ständig zunimmt und höhere Anforderungen an Geschwindigkeit, Sicherheit und Genauigkeit gestellt werden.

Quellen

[1] https://connect.zebra.com/mfvs27-vs-de
[2] McKinsey: Driving impact at scale from automation and AI, Februar 2019
[3] https://www.gartner.com/en/information-technology/glossary/smart-manufacturing

Autor
Rudolf Schambeck, Senior Manager, Machine Vision & Imaging DACH bei Zebra Technologies