Cluster Mechatronik & Automation

News

17.07.2018

DEEP LEARNING FÜR DIE AUTOMATISCHE FERTIGUNG

Künstliche Intelligenz kombiniert mit industrieller Bildverarbeitung

Vom Handy in der Tasche bis hin zum selbstfahrenden Auto - die Verbrauchsgüterbranche hat sich längst die Leistungskraft der neuronalen Netzwerke für Deep Learning zu Nutzen gemacht. Deep Learning ist zur grundlegenden Technologie für Sprach-, Text- und Gesichtserkennung geworden, die in unseren mobilen und tragbaren Geräten verwendet wird. Darüber hinaus hält sie nun Einzug in viele andere Anwendungen – von medizinischen Diagnosen bis hin zu Internetsicherheit. Sie dient zur Vorhersage von Mustern und zur Unterstützung der Entscheidungsfindung. Dieselbe Technologie wird nun migriert in moderne Produktionsmethoden im Bereich Qualitätsprüfung und sonstigen auf Entscheidungen beruhenden Anwendungsbereichen.


Was bedeutet Deep Learning?


Im Wesentlichen lernen Roboter und Maschinen durch Deep Learning so, wie Menschen das natürlicherweise tun, nämlich anhand von Beispielen. Neue, kostengünstige Hardware macht es möglich, bioinspirierte, mehrschichtige, „tiefe“ neurale Netzwerke bereitzustellen, die die neuronalen Netzwerke des menschlichen Gehirns nachzuahmen. Die Produktionstechnologie erhält auf diese Weise beeindruckende neue Möglichkeiten, um Bilder zu erkennen, Trends zu unterscheiden und intelligente Vorhersagen und Entscheidungen zu treffen. Beginnend mit der während des ersten Trainings entwickelten Core-Logik, sind neuronale Netzwerke in der Lage, ihre Leistung kontinuierlich zu verbessern, sobald sie neue Bilder, Sprache und Text verarbeiten.


Die Deep Learning-basierte Software zur Bildanalyse vereint die Besonderheit und Flexibilität der visuellen Prüfung durch Menschen mit der Zuverlässigkeit, Durchgängigkeit und Geschwindigkeit eines computerbasierten Systems. Deep Learning-Modelle können präzise und wiederholbar schwierige Bildverarbeitungsanwendungen lösen, die mit herkömmlichen Bildverarbeitungslösungen nur schwierig zu entwickeln und in vielen Fällen nicht zu bewältigen wären. Deep Learning-Modelle können nicht akzeptable Fehler unterscheiden und natürliche Abweichungen in komplexen Mustern tolerieren. Und sie können vollständig an neue Beispiele angepasst werden, ohne dass ihre Kernalgorithmen umprogrammiert werden müssen. Deep Learning-basierte Software trifft eine Entscheidung zur Lokalisierung, Prüfung, Klassifizierung oder Zeichenerkennung aufgrund einer Beurteilung und ist darin wesentlich effizienter als der Mensch oder herkömmliche industrielle Bildverarbeitungslösungen. Immer mehr führende Hersteller wechseln zu Deep Learning-Lösungen und künstlicher Intelligenz, um höchste und anspruchsvollste Anforderungen in der Automation zu erfüllen.


Industrielle Bildverarbeitung für automatisierte Montage


Die Tage, an denen Menschen direkt an der Produktionslinie tätig waren, sind längst vorbei. Heutzutage sind Maschinen am Werk, die spezielle Fertigungs-, Montage- und Materialhandling-Aufgaben automatisieren. Industrielle Bildverarbeitungssysteme sind mit präzisen Ausrichtungs- und Identifikationsalgorithmen und Führungsmöglichkeiten ausgestattet, die eine Fertigung von kompakten, modernen Komponenten ermöglichen, die manuell nicht hergestellt werden könnten. Industrielle Bildverarbeitungssysteme können auf einer Produktionslinie hunderte oder tausende Teile pro Minute zuverlässig und wiederholbar prüfen. Dies übersteigt die menschlichen Prüffähigkeiten bei weitem. Jahrzehntelang haben industrielle Bildverarbeitungssysteme Computer gelehrt, wie Prüfungen auszuführen sind, um Fehler, Kontaminierungen, optische Mängel sowie sonstige Unregelmäßigkeiten in hergestellten Produkten erkennen. Aufgrund der erreichten Geschwindigkeit, Genauigkeit und Wiederholbarkeit bietet die industrielle Bildverarbeitung hervorragende Ergebnisse bei der quantitativen Messung einer strukturierten Szene. Mit der richtigen Auflösung und Optik kann ein industrielles Bildverarbeitungssystem Details erkennen, die für das menschliche Auge nicht sichtbar sind. Die Prüfungen werden somit zuverlässiger und bergen weniger Fehler (Abbildung 1).


Die Herausforderung von Schwankungen


Herkömmliche industrielle Bildverarbeitungssysteme bieten eine hohe Zuverlässigkeit bei konsistenten, gut gefertigten Teilen. Sie funktionieren über einen Schritt für Schritt Filter und regelbasierte Algorithmen, die kostengünstiger sind als eine menschliche Prüfung. Durch die zunehmenden Ausnahmen und Fehlerbibliotheken werden die Algorithmen jedoch schwerfällig. Bestimmte herkömmliche Prüfungen mit industrieller Bildverarbeitung, z. B. die Verifizierung der Endmontage, sind bekanntermaßen schwer zu programmieren. Grund dafür sind die vorherrschenden mehreren Variablen, die für eine Maschine ggf. nur schwer zu isolieren sind, z. B. Beleuchtung, Farbwechsel, Krümmung und Sichtfeld (Abbildung 2).


Obwohl die industriellen Bildverarbeitungssysteme gewisse Abweichungen im Erscheinungsbild des Teils, verursacht durch Skalierung, Drehung und perspektivische Effekte, tolerieren, so stellen dennoch komplexe Oberflächentexturen und problematische Bildqualitäten hohe Anforderungen an die Prüfung. Industrielle Bildverarbeitungssysteme können Schwankungen und Abweichungen bei visuell ähnlichen Teilen nur schwer abschätzen (Abbildung 3). Je nachdem, wie inhärente Differenzen oder Anomalien vom Benutzer verstanden und klassifiziert werden, können diese Gründe zur Ablehnung sein oder auch nicht. „Funktionelle“ Anomalien, die die Nutzung des Teils beeinflussen, sind nahezu immer ein Ablehnungsgrund. Anomalien im Aussehen können, müssen aber nicht zu einer Ablehnung führen. Dies ist von den jeweiligen Anforderungen und Präferenzen des Herstellers abhängig. Die Problematik besteht darin, dass herkömmliche industrielle Bildverarbeitungssysteme nicht zwischen solchen Fehlern unterscheiden können.


Vorteile der visuellen Prüfung durch Menschen


Anders als herkömmliche industrielle Bildverarbeitung ist der Mensch qualifiziert, um zwischen leichten Fehlern im Aussehen und Funktionsfehlern zu unterscheiden. Zudem kann er bei Abweichungen im Erscheinungsbild des Teils einschätzen, ob sich diese auf die gewünschte Qualität auswirken. Der Mensch verarbeitet Informationen zwar langsamer, kann aber als einziger abstrahieren und verallgemeinern. Wir sind Meister darin, am Beispiel zu lernen und können bei geringfügigen Anomalien eines Teils abschätzen, was wirklich wichtig ist. Deshalb ist in vielen Fällen der Einsatz von menschlicher Prüfung die beste Wahl, wenn es die qualitative Interpretation einer komplexen, nicht strukturierten Szene betrifft - insbesondere im Falle von kleinen und unvorhersehbaren Fehlern (Abbildung 4).
Bei verformten und ansonsten schwer lesbaren Zeichen, komplexen Oberflächen und kosmetischen Fehlern arbeitet der Mensch deutlich genauer. Bei vielen dieser Anwendungen können es Maschinen nicht mit der menschlichen Fähigkeit aufnehmen, komplexe Strukturen richtig einzuordnen.


Deep Learning für komplexe Prüfungen


Deep Learning -Modelle unterstützen die Maschinen, inhärente Beschränkungen zu überwinden, indem sie das Selbstlernen des menschlichen Prüfers mit der Geschwindigkeit und Gleichmäßigkeit eines computerbasierten Systems vereinen.


Die Beispiele in Abbildung 5 zeigen, dass sich die Deep Learning-basierte Software zur Bildanalyse insbesondere gut für die Prüfung des Aussehens von komplexen Oberflächen eignet: Muster, die leicht, aber tolerierbar abweichen und in Fällen, wo Positionsvarianten den Einsatz von Methoden basierend auf Ortsfrequenz möglicherweise beschränken. Deep Learning liefert hervorragende Ergebnisse bei komplexen Oberflächen und Fehlern im Aussehen, wie z. B. Kratzer und Kerben auf Teilen, die gedreht, gebürstet oder glänzend sind. Egal ob bestimmte Merkmale zu lokalisieren, lesen, prüfen oder klassifizieren sind - die Deep Learning-basierte Software zur Bildanalyse unterscheidet sich von der herkömmlichen Bildverarbeitung durch die Fähigkeit, das Aussehen eines Teils gemäß seiner sich unterscheidenden Merkmale konzeptionieren und verallgemeinern zu können, selbst wenn diese Merkmale geringfügig variieren oder in manchen Fällen auch abweichen.


Herkömmliche industrielle Bildverarbeitung vs. Deep Learning


Die Entscheidung für herkömmliche industrielle Bildverarbeitung oder Deep Learning hängt davon ab, welche Anwendungsart zu bearbeiten ist, wie hoch das Datenvolumen ist und welche Verarbeitungsmöglichkeiten gewünscht sind. Obwohl Deep Learning viele Vorteile bietet, so ist diese Lösung dennoch nicht für viele Anwendungen geeignet. Herkömmliche regelbasierte Programmiertechnologien liefern bessere Ergebnisse beim Messen und bei Messtechniken und auch bei der präzisen Ausrichtung. In manchen Fällen eignet sich die herkömmliche Bildverarbeitung womöglich besser, um einen gewünschten Bereich präzise zu befestigen, um dann den Bereich mit Deep Learning zu prüfen. Das Ergebnis der auf Deep Learning basierten Prüfung kann an eine herkömmliche Bildverarbeitung zurückgemeldet werden, die dann genaue Messungen der fehlerhaften Größe und Form durchführt.


Deep Learning ergänzt den regelbasierten Ansatz, wodurch kein umfassendes Know-how in Deep Learning erforderlich ist, um eine effiziente Prüfung durchzuführen. Vielmehr ist es mit Deep Learning gelungen, Anwendungen, für die bislang Know-how in der Bildverarbeitung erforderlich war, so umzugestalten, dass sie technische Lösungen auch für Nicht-Fachkräfte in der Bildverarbeitung bieten. Deep Learning nimmt dem für die Entwicklung und das Schreiben von regelbasierten Algorithmen zuständigen Anwendungsentwickler die logischen Hürden ab und überträgt diese an einen Ingenieur, der dem System diese Logik lehrt. Zusätzlich entstehen neue Möglichkeiten für Anwendungen, die bislang nicht ohne einen menschlichen Prüfer auskamen. Deep Learning vereinfacht somit die industrielle Bildverarbeitung und weitet die Grenzen für präzise Prüfungen durch Computer und Kamera. Die nachfolgende Abbildung 6 zeigt die am besten geeigneten Anwendungsfälle für herkömmliche Bildverarbeitung und auf Deep Learning basierte Ansätze, einschließlich der optimal aufeinander abgestimmten Prozesse.


Fazit


Wann immer komplizierte Prüfverfahren für Herstellungsprozesse benötigt werden, die zeitaufwändig sind und mit herkömmlichen, regel-basierten Algorithmen nur sehr kostenintensiv zu programmieren sind, kommt die Deep Learning-Technologie immer mehr zum Einsatz. Sie unterstützt die Automatisierung von bislang nicht programmierbaren Anwendungen, reduziert Fehlerraten und sorgt für verkürzte Prüfzeiten. Deep Learning bietet den Herstellern Möglichkeiten zur Problemlösung, die nicht nur robust und zuverlässig sind, sondern mit herkömmlichen industriellen Bildverarbeitungsanwendungen nicht realisierbar wären.




Schriftgöße: 
Schriftgrösse grossSchriftgrösse mittelSchriftgrösse normal
••• Suche •••
••• News •••
••• Newsletter •••

Immer auf dem neuesten Stand sein! Jetzt unseren Newsletter abbonnieren.

Internationales Forum Mechatronik
mechatronikakademie
Cluster Offensive Bayern
ESF in Bayern
Cluster Mechatronik & Automation e.V. mit dem Clusterlabel Silber ausgezeichnet
Kompetenzatlas Elektromobilität Bayern
Mechatronik
 
Newseinzelmeldung Newseinzelmeldung  Impressum / Datenschutz    |    Sitemap    |    AGB    |    Drucken