Viele Industriebetriebe verwenden in der Fertigung Bildverarbeitung, um bei der Qualitätskontrolle Fehler in der Produktion zu erkennen. Entsprechende Lösungen verwenden für eine effiziente Analyse der visuellen Daten neuronale Netzwerke mit Deep-Learning-Funktionen.

Die Praxis zeigt, dass Systeme mit automatisierter Bildverarbeitung menschlichen Prüfern bei immer wiederkehrenden Prüfaufgaben überlegen sind, da sie schneller, genauer und zuverlässiger arbeiten. Sie können an der Produktionslinie rund um die Uhr Hunderte Werkstücke pro Minute mit konstant zuverlässigen Ergebnissen prüfen.

Deep Learning: der nächste Schritt in der Datenanalyse

Machine Vision ist damit ein zentraler Baustein der vernetzten Produktion über intelligente Maschinen und produzierte Güter, die über Sensoren permanent ihren aktuellen Status melden. Durch intelligentes Monitoring der Fertigungsdaten können Unternehmen schnell auf veränderte Rahmen­bedingungen reagieren und ihre Produktion entsprechend optimieren.
Lösungen für Machine Vision verwenden Deep Learning, um die riesige Menge an Bilddaten zu verarbeiten. Deep Learning ist eine Unterkategorie des maschinellen Lernens. Es setzt auf künstlichen neuronalen Netzen auf, die über mehrere Ebenen verfügen und in ihrem Aufbau dem menschlichen Gehirn ähneln. Algorithmen extrahieren dabei selbstständig Muster aus Rohdaten und erweitern im Laufe der Zeit ihre Fähigkeiten. Da sich Deep Learning eignet, um große Datenmengen zu analysieren, kommt die Technik vor allem für die Objekt-, Gesichts- oder Sprach­erkennung zum Einsatz.

Toolkit verbessert Machine Vision

Intel stellt mit dem Openvino-Toolkit ein Werkzeug für Deep-Learning-Frameworks wie Tensorflow, Apache MXNet und Caffe bereit, das Entwickler und Datenwissenschaftler bei der schnellen Entwicklung von hochleistungsfähigen Anwendungen für maschinelles Sehen mit Deep Learning unterstützt. Es umfasst das Deep Learning Deployment Toolkit von Intel mit einem Model Optimizer und einer Inference Engine sowie optimierte Bibliotheken und Funktionen für OpenCV und OpenVX. OpenCV ist eine freie Programmbibliothek mit Algorithmen für die Bildverarbeitung und maschinelles Sehen. OpenVX ist ein offener Standard für die plattformübergreifende Beschleunigung von Machine-Vision-Anwendungen.
Openvino beschleunigt dadurch Work­loads für maschinelles Sehen mit Deep Learning und optimiert diese Anwendungen auf Intel-Plattformen, inklusive Hardware-Beschleunigern für Kameras oder andere Geräte am Netzwerkrand. Entwickler brauchen den Code für eine Anwendung nur einmal zu schreiben und können ihn auf beliebiger Hardware auf Basis der Intel-Architektur einsetzen. Das Openvino-Tookit ist zum kostenlosen Download für Linux, Windows und MacOS verfügbar.

Flexibel für jede Hardware-Plattform

Um Bild- und Videodaten effizient zu verarbeiten, bietet der US-Chipgigant ein leistungsstarkes Portfolio an skalierbaren Hard- und Softwarelösungen. Dazu gehören CPUs mit integrierter Grafik, FPGAs (Field Programmable Gate Arrays) für den Einsatz in Kameras oder als Beschleuniger für die Bildverarbeitung in Edge-Computern und Intel Movidius VPUs (Vision Processing Unit). Letztere sind Spezialchips für neuronale Netze und die Beschleunigung von Deep-Learning-Anwendungen. In Kombination mit dem Openvino Toolkit können Entwickler Workloads schnell und einfach auf die Plattformen verteilen und die jeweils beste Technologie für ihre Zwecke nutzen.
Wurde der Algorithmus oder die Anwendung beispielsweise ursprünglich für eine Kamera mit einer Movidius VPU entwickelt und soll später auf einem FPGA in einem Server eingesetzt werden, bereitet der integrierte Model Optimizer den Algorithmus oder Code entsprechend für die verschiedenen Plattformen auf.