Schneller technischer Wandel in der BV
Embedded Vision als Großtrend
Fortsetzung des Artikels von Teil 1
Was kann Embedded Vision leisten?
Was kann Embedded Vision derzeit leisten, was wird es in absehbarer Zukunft leisten können?
Embedded Vision ist vor allem interessant, wenn die Inspektionen möglichst unabhängig gestaltet werden sollen, also nicht exakt einem gemeinsamen Maschinentakt unterliegen. Die unabhängige Verarbeitung ermöglicht konstant kurze Verarbeitungszeiten, was für viele Anwendungen Grundbedingung ist. Vision-Sensoren werden stetig leistungsfähiger, so dass ihr Einsatz immer wirtschaftlicher wird. Gerade unsere vor kurzem erschienene Serie „pictor metimus“ bietet wichtige Messfunktionen mit Datenausgabe. Gleichzeitig lässt sich ein solches System aber auch für 360°-Lokalisation, für Anwesenheitsprüfung oder auch als Füllstandmesser einsetzen. Vor einem Jahr hätten für eine Messaufgabe etwa 3400 Euro in das Bildverarbeitungs-System investiert werden müssen. Jetzt sind es nur noch 1600 Euro.
Nochmal zum Thema Hyperspectral Imaging: Wie funktioniert es?
Bei Hyperspectral Imaging steht die Analyse der reflektierten bzw. absorbierten Wellenlängen eines beobachteten Objekts im Vordergrund. Man kann beispielsweise den Reifegrad von Äpfeln unterscheiden, wenn man genau analysiert, welches Rot oder Grün der Apfel reflektiert und welches nicht. Oft werden durch verschiedene Filterkombinationen Mehrfachaufnahmen eines Objekts erstellt, um dann aus speziellen Wellenlängenkombinationen eine Klassifikation zu treffen. Dabei lassen sich neben dem für Menschen sichtbaren „visuellen“ Spektrum auch andere Wellenlängenbereiche wie UV und IR einbeziehen.
Was kann Hyperspectral Imaging leisten?
Hyperspectral Imaging wird oft angewendet, um die Anwesenheit einer organischen Substanz zu erkennen. In der Lebensmittelindustrie ist dies nützlich, um auf den Reifegrad, Pilze und andere organische Stoffe zu schließen. Bei metallischen Objekten gibt es materialbedingt ein sehr breitbandiges Reflexionsverhalten.
Für welche Anwendungen kommt es in Frage?
Typischerweise liegt hier der Fokus auf der Materialbestimmung bei organischen Stoffen. Dies kann bei der Ernte, der Überwachung von Lebensmitteln, der Sortierung von organischem Müll oder auch der Erfassung der Vegetation vom Flugzeug oder Satellit aus sein.
Welche neuen Anwendungen kann es für die Bildverarbeitung erschließen?
Vision & Control ist Spezialist für industrielle Bildverarbeitung, etwa in der Automobilzulieferindustrie, Verpackungstechnik, Photovoltaik, Glasindustrie und Halbleiterindustrie. Hier kommen meist Metalle, Kunststoffe und Glas als Materialien vor. Hyperspectral Imaging ist dort folglich kaum einsetzbar.
Was ist und wie funktioniert Machine Learning?
Machine Learning verfolgt die Idee, dass die Maschine durch Lernen selbst eine Lösung für ein Problem findet. Meist handelt es sich dabei um Klassifikationsaufgaben, etwa ob ein gezeigtes Bild eine Katze oder einen Hund darstellt. Hierbei unterscheidet man überwachtes Lernen und unüberwachtes Lernen. Beim überwachten Lernen wird der Maschine mittels eines Trainings-Datensatzes mitgeteilt, was als „gut“ und was als „schlecht“ gelten soll. Beim unüberwachten Lernen fehlt diese Information, und die Maschine muss selbst Unterschiede finden und eigenständig Kategorien bilden.
Seit den 1970er-Jahren ist Machine Learning ein großer Forschungsschwerpunkt mit vielen unterschiedlichen Verfahren. Zahlreiche Ideen konzentrieren sich darauf, das biologische Lernen des Menschen zu verstehen und nachzuahmen. Ein Schwerpunkt liegt in der Definition künstlicher neuronaler Netzwerke, die Teile des Gehirns nachempfinden. Meist können die Neuronen nur sehr einfache Operationen durchführen. Die gelernte Information, also das eigentliche Wissen, steckt in der Vernetzung zwischen den Neuronen, den Synapsen. Die Hebb‘sche Lernregel bietet eine populäre Methode, um aktive Synapsen zu stärken und falsche Verbindungen zu schwächen.
Als Eingabedaten können Pixel-Daten, Audiodaten oder andere Daten dienen. Am anderen Ende des Netzwerks erhofft man sich das gelernte Ergebnis.
Was kann die Bildverarbeitungstechnik zum Machine Learning beitragen?
Motivation und Geld. Schwierige Aufgaben werden schon lange mit Machine-Learning-Ansätzen angegangen. Dazu gehören beispielsweise die Erkennung von Straßenschildern, Schriftzeichen, Gesichtern, Hautkrankheiten oder komplexen Straßensituationen.
Welche Rolle spielt die Bildverarbeitungs-Software beim Machine Learning? Wozu sind die für Machine Learning benötigten Software-Algorithmen in der Lage?
Die bestehenden Software-Algorithmen sind theoretisch in der Lage, biologische Vorbilder komplett zu simulieren. Es gibt jedoch zwei praktische Probleme: Trainingsaufwand und Rechenkapazität. Momentan wird massiv daran gearbeitet, die Lerneffizienz zu erhöhen und die Abarbeitungs-Geschwindigkeit zu optimieren.
Der Aufwand, riesige Bilddatenbestände zu erzeugen und von Hand zu klassifizieren, ist enorm und damit oft zu teuer. Zudem lassen sich heutzutage im Vergleich zum biologischen Vorbild nur winzige künstliche Netzwerke trainieren und ausführen.
In den letzten Jahren haben große Konzerne wie Google und Amazon viel Geld investiert, um das Berechnen und Trainieren neuronaler Netzwerke zu beschleunigen. Diese Bibliotheken sind jetzt für jeden Interessierten nutzbar. Damit ist es möglich, auch mit normalen PCs oder kleinen Rechen-Clustern viele Aufgaben zu lösen, die früher unlösbar waren. Embedded-Hardware wie Mobiltelefone können das einmal trainierte Netzwerk nun direkt berechnen oder von einem Server-Cluster berechnen lassen.
Welche Anwendungen gibt es schon heute für Machine Learning auf Bildverarbeitungs-Basis? Welche Anwendungen sind für die Zukunft denkbar?
Für die industrielle Bildverarbeitung gibt es diverse Erfolge bei der Zeichenerkennung und der automatischen Oberflächeninspektion. Viele tausend Entwickler beschäftigen sich mit den aktuellen Bibliotheken für Alltagsaufgaben. Es ist definitiv der Anfang einer großen Welle.
- Embedded Vision als Großtrend
- Was kann Embedded Vision leisten?
Lesen Sie mehr zum Thema
Das könnte Sie auch interessieren
