Die Kosten für intelligente Kameras und Sensoren sind in den letzten Jahren ­gesunken, während die Verarbeitungsleistung und -geschwindigkeit drastisch gestiegen sind. Der Einsatz von Machine-Vision-Systemen kann in jeder Produktionsumgebung unmittelbare geschäftliche Vorteile bringen, einschließlich höherer betrieblicher Effizienz sowie verbesserter Produktivität und Qualitätskontrolle. Mit Deep Learning können Produzenten die Vorteile eines schnelleren Durchsatzes mit optimierter Nachverfolgung und Analyse plus Fernüberwachung und Steuerungsfunktionen für den Informationsaustausch und die Systemverwaltung an mehreren Standorten nutzen. Manager können dadurch außerdem Bediener für höherwertige Aufgaben ­einsetzen. Dies trägt zur Kostensenkung und zur Ver­besserung der Mitarbeiterzufriedenheit bei.
 

So funktioniert Deep Learning 

Die meisten Deep-Learning-Algorithmen basieren auf neuronalen Netzen, die es dem Modell ermöglichen, im Wesentlichen selbst zu lernen und zu trainieren. Dies geschieht durch wiederholte intelligente Analyse einer großen Anzahl von Bildproben. Dabei handelt es sich um Bilder, die in jeder Phase des Produktionsprozesses mit stationären Industriescannern oder mit intelligenten Kameras mit maschinellem Sehen aufgenommen werden. Sie werden in der Regel in der Cloud gespeichert, um die Einschränkungen eines lokalen Servers bezüglich Speicherkapazität und Kosten zu umgehen.

Einige dieser Bilder werden als „gut“ eingestuft, wenn sie in das Deep-Learning-Modell eingespeist werden, andere als „schlecht“, weil sie einen kleinen Fehler aufweisen. Diesen erkennt das System schließlich von selbst. Ab einem bestimmten Punkt verfügt das Modell über genügend Daten, um selbständig die Bildqualität zu bestimmen, wobei die Ergebnisse seiner Entscheidungen überprüft und in einer kontinuierlichen Verbesserungsschleife wieder in das System eingespeist werden. Dieser iterative Prozess wird mit Tausenden von Bildern wiederholt. Schließlich ist das Deep-Learning-Modell aufgrund der Art und Weise, wie es trainiert wurde, und der schieren Menge der Trainingsdaten, auf die es zurückgreift, in der Lage, Bilder genau zu klassifizieren.

Für Deep Learning geeignete Anwendungen

In industriellen Anwendungen werden Deep-Learning-Algorithmen in der Regel auf bestehende Bilderfassungssysteme aufgesetzt, zum Beispiel auf stationäre Scanner oder Machine-Vision-Kameras. Sie sind ideal für komplexe und eher subjektive Bildanalysen – wie leichte Farb- oder Oberflächenveränderungen auf Gegenständen, die das menschliche Auge nur schwer erkennen kann. Produkte aus Stoff auf einem Produktionsband sind ein gutes Beispiel. Da die Stoffe alle ihre natürlichen Variationen in Bezug auf Farbe und Webmuster haben, ist es für einen menschlichen Bediener fast unmöglich, schnell zu beurteilen, ob es sich um ein Loch oder eine leichte Abweichung in der Webart handelt. Das ist eine langwierige und körperlich anstrengende, manuelle Aufgabe. 

In diesem Szenario kann Deep Learning die Artikel viel schneller prüfen und alle vermuteten Defekte einem einzigen menschlichen Bediener melden, der sie untersucht und entscheidet, ob es sich um einen Fehler handelt. Durch das Eingeben der Überprüfungsentscheidung in das neuronale Netz wird der kontinuierliche Lernprozess aufrechterhalten, um das Modell weiterzuentwickeln und zu verbessern.

Drei Überlegungen für umfassende Effizienzsteigerungen

Das Potenzial für Deep-Learning-Anwendungen ist eindeutig und überzeugend. Es ist nur logisch, dass Unternehmen auf der ganzen Welt die Vorteile dieser Technologie nutzen wollen – aber viele wissen nicht so recht, wo sie anfangen sollen. Für den effektiven Einsatz von maschinellem Sehen und Deep Learning in der Fertigung gibt es drei wichtige Überlegungen:

1. jedes Bild speichern,
2. Anwendungen überspezifizieren,
3. in Mehrzweckgeräte investieren.

Selbst ein Produktionsbetrieb mit geringen finanziellen Mitteln und begrenztem Automatisierungsgrad kann damit beginnen, die Art und Weise, wie die vorhandene Technologie genutzt wird, zu ändern. Der erste Schritt ist, Technologie des Internets der Dinge zu nutzen, um jedes erfasste Bild – vom gelesenen Barcode bis hin zur Qualitätsprüfung – in einer kosteneffizienten, sicheren und skalierbaren Cloud-Umgebung zu speichern. So entsteht eine Datenbank mit Bildern, die zum Trainieren und Testen einer Deep-Learning-Lösung verwendet wird.
Der zweite Schritt ist es, Anwendungen zu überspezifizieren, was für heutige Fertigungsumgebungen unerlässlich ist. Ein Standard-Imager mit 640 x 480 Pixeln eignet sich für einfache Barcode-Lesevorgänge, aber nicht für die Integration mit einer Zweimillionen-Pixel-Kamera (MP), die ein Bild der gesamten Oberseite einer Kiste aufnimmt, was neben einfachen Barcode-Lesevorgängen auch maschinelles Sehen ermöglicht. Indem er alle Kameraauflösungen in der Produktions­umgebung auf 2 MP, 5 MP oder mehr erhöht, kann ein Hersteller diese höher aufgelösten Bilder später in jedem neuronalen Netzwerksystem verwenden.

Schließlich empfiehlt es sich für Hersteller, die eingesetzte Technologie zu überprüfen und jetzt Upgrades und Investitionen in Betracht zu ziehen, um in den kommenden Jahren die betriebliche Effizienz zu steigern. Insbesondere die Implementierung von Scan- und Bildverarbeitungsgeräten, die sich nahtlos mit ihrer lokalen IT-Infrastruktur und Cloud-Umgebungen verbinden lassen, wird den Herstellern klare Vorteile bringen.

Intelligente Rationalisierung von Produktionsumgebungen

In fortschrittliche Scan-Lösungen und leistungsstarke Bildgebungsanwendungen auf der Grundlage von Deep Learning zu investieren, ist für viele Hersteller der Schlüssel, um ihr volles Produktionspotenzial und neue Geschäftsmöglichkeiten zu erschließen. ­Zebra verfügt über ein umfassendes Portfolio an Geräten mit doppelter Funktionalität, branchenführenden Funktionen, Langlebigkeit und Zuverlässigkeit, die Unternehmen dabei helfen, betriebliche Lücken zu schließen und die Effizienz bei allen Imaging-Anwendungen zu steigern.

Die Bildverarbeitungs- und stationären industriellen Scanlösungen von Zebra sind aufrüstbar, weil sie speziell für die sich ändernden betrieblichen Anforderungen wachsender Unternehmen entwickelt sind. Durch den Upgrade-Pfad muss ein Anwender keine neuen Geräte kaufen, um neue Funktionen zu erhalten. Ein Software-Lizenz-Upgrade genügt, um vorhandene stationäre Industrie­scanner um die Leistung der industriellen Bildverarbeitung zu erweitern. Die Konfiguration und Fernverwaltung erfolgt ganz einfach über die benutzerfreundliche Zebra-Aurora-Softwareplattform. Zebra bietet auch eine Reihe von grafischen Softwaretools an, mit denen Benutzer komplexe Machine-Vision-Anwendungen entwickeln können – einschließlich Deep-Learning-Funktionen.
Wenn man ein einfaches Barcode-Lesesystem mit maschineller Bildverarbeitung kombiniert und ein wenig Intelligenz und Deep Learning anwendet, kann man relativ leicht Erfolge bei Bildanwendungen erzielen, und zwar sofort.

Autor 
Laith Marmash, Machine Vision & Fixed Industrial Scanning Lead, EMEA, Zebra Technologies