Angetrieben von immer schnellerer Rechenleistung und methodischen Durchbrüchen hat sich Deep Learning in den vergangenen Jahren in der Bildverarbeitungsbranche zu einem Megatrend entwickelt, der auch die Vision 2018 prägen wird. Deep Learning-Systeme als ein Teilbereich von Machine Learning und Künstlicher Intelligenz haben einen grundlegend anderen technologischen Ansatz als die derzeit etablierte Bildverarbeitungstechnik: „Sie setzen neuronale Netze ein und ihr Name bezieht sich auf die meist hohe Anzahl verborgener Schichten im neuronalen Netzwerk“, erläutert Vision-Aussteller und CEO von Irida Labs, Vassilis Tsagaris. Systeme, die auf Deep Learning basieren zeichnen sich dadurch aus, „dass große Mengen an digitalen Bilddaten analysiert und damit Modelle von bestimmten, zu erkennenden Objekten trainiert werden“, ergänzt Dr. Olaf Munkelt, Geschäftsführer der MVTec Software GmbH. „Mit Hilfe dieser Trainingsdaten lernt der Klassifikator dann, zwischen den eingegebenen Klassen zu unterscheiden“, so der Vision-Aussteller weiter.

Flexible Entscheidungen als Vorteil

Deep Learning kann somit überall dort eine Alternative sein, wo konventionelle Bildverarbeitungssysteme an ihre Grenzen stoßen: „Deren größte Herausforderungen sind ein sich veränderndes optisches Umfeld, die immer größere Produktvielfalt sowie die Komplexität des Bildes selbst“, sagt Hanjun Kim, Marketing Manager bei Sualab. “Auch in Bereichen, wo Bildverarbeitung bereits implementiert ist, kann der zusätzliche Einsatz von Deep Learning Genauigkeit und Geschwindigkeit des Prüfvorgangs drastisch beschleunigen.“ Der südkoreanische Softwarespezialist stellt auf der Vision 2018 zum ersten Mal aus und plant die Vorstellung seiner Deep Learning Machine Vision Inspektionssoftware Suakit v2.0.

Bereits vielfältige Anwendungen

Eingesetzt wird Deep Learning heute bereits in Anwendungen, wo Bildverarbeitung eine Klassifizierung des untersuchten Objekts vornimmt. Dr. Klaus-Henning Noffz beschreibt eine Anwendung aus dem Automobilbau: „Selbstlernende Algorithmen erkennen hier mit Hilfe von Deep Learning beispielsweise perfekt winzige Lackfehler, die mit bloßem Auge nicht sichtbar sind“.

Auch die Nahrungsmittel- und Getränkeindustrie, ein Anwendungsbereich, der auf der Vision unter anderem mit dem ‚Food & Beverage‘-Label in den letzten Jahren immer mehr Beachtung gefunden hat, profitiert von Deep-Learning-Technologien. „So können beispielsweise minderwertige Früchte und Gemüse präzise identifiziert und inspiziert werden, bevor sie verpackt oder weiterverarbeitet werden“, erläutert Dr. Olaf Munkelt. Dr. Christopher Scheubel, Head of IP & Business Development bei Framos, ein VISION-Aussteller der ersten Stunde, beschreibt eine Anwendung, bei der mit Deep Learning Gebinde für einen Lebensmitteleinzelhändler sortiert und klassifiziert werden.

Deepsense, ein weiterer Erstaussteller auf der Vision 2018, wird eine Lösung zur visuellen Qualitätskontrolle vorstellen, die sich ohne langwierige Programmierung sehr gut zur Inspektion gerade von Objekten mit komplexen Mustern wie etwa Holz oder Textilien eignet. Robert Bogucki, Chief Science Officer bei Deepsense, sieht darüber hinaus große zukünftige Anwendungschancen von Deep Learning im Bereich Healthcare.

Verdrängt oder ergänzt Deep Learning etablierte Systeme?

Auch wenn bei der Anwendung von Deep Learning Herausforderungen bleiben, wie etwa die Ausführungszeiten und der Trainingsaufwand für die neuronalen Netze, ist man sich etwa bei Framos sicher, dass alle klassifizierenden Ansätze z.B. bei der Qualitätsüberwachung oder beim Sortieren mittelfristig von Deep Learing dominiert werden. Auch Dr. Klaus-Henning Noffz ist überzeugt: „Mit dem Ansatz ‚trainieren statt programmieren‘ kann Deep Learning eine sehr hohe Verbreitung erzielen. So sind Klassifikationsaufgaben wesentlich einfacher zu lösen als mit den existierenden algorithmischen Methoden. Für viele weitere Aufgabestellungen qualifizieren sich neuronale Netze ganz besonders, wie etwa für reflektierende Oberflächen, schlecht ausgeleuchtete Umgebungen, bewegende Objekte, Robotik und 3D.“ Auch bei Neadvance, ein portugiesischer Erstausteller der Vision 2018, teilt man diese Überzeugung: „Anwendungsbereiche, bei denen Objekterkennung oder -klassifizierung das Primärziel sind, werden sich eindeutig von traditionellen Ansätzen hin zu Deep Learning bewegen, etwa bei Texturanalysen, Template Matching, OCR, Lagebestimmungen, Analyse von urbanen Szenen und Handschriftenerkennung.“

Nichtsdestotrotz kann eine Kombination mit klassischer Bildverarbeitung sinnvoll sein, um eine hundertprozentige Klassifizierung zu gewährleisten, bestätigt Vassilis Tsagaris, CEO von Irida Labs: „Es wird nicht lange dauern, bis wir mehr und mehr „hybride“ Systeme sehen werden, da oftmals neben Deep Learning eben auch Computer Vision-Algorithmen benötigt werden, die ihre Robustheit bereits unter Beweis gestellt haben.“  Volker Gimple ist ebenfalls überzeugt, dass viele Bereiche bleiben, in denen sich konventionelle Methoden behaupten können, weil diese ein entscheidendes Merkmal bieten, das Machine Learning-Ansätzen in der Regel fehlt: „Die Nachvollziehbarkeit von Entscheidungen und Fehlentscheidungen“.

Deep Learning auf Embedded Devices

Deep-Learning-Anwendungen können auch auf Embedded-Vision-Geräten ausgeführt werden. „Auf dem weit verbreiteten Embedded-Board Nvidia Jetson TX2 läuft auch die Deep-Learning-Inferenz von MVTec Halcon“, bestätigt Dr. Olaf Munkelt. So entstünde gerade im dezentralen Computing-Ansatz von Industrie 4.0 auch vermehrt Bedarf an Embedded Vision mit Deep Learning-Lösungen, bei denen kleine Bildverarbeitungseinheiten oder intelligente Kameras anspruchsvolle Teilaufgaben übernehmen können. Silicon Software plant auf der Vision 2018 die Vorstellung seiner Deep-Learning-Lösung unter Visual Applets auf einem Field Programmable Gate Array (FPGA). Auch Irida Labs wird eine solche Verknüpfung der derzeitigen Megatrends Embedded Vision und Deep Learning auf der Vision 2018 präsentieren. Ihr DeepAPI-Framework ist eine Bibliothek zur Implementierung von Deep Learning an jedem Embedded-Gerät, das mit einer begrenzten Bilderzahl bereits zur Qualitätsprüfung eingesetzt werden kann.