Schwerpunkte

Deep Learning in der industriellen BV

Kein Allheilmittel, aber Werkzeug für Kniffliges

23. Juli 2019, 12:00 Uhr   |  Andreas Knoll


Fortsetzung des Artikels von Teil 1 .

Anwendungen von Deep Learning in der Zukunft

Imago Technologies
© Imago Technologies

Über 256 CUDA-Kerne verfügt die „VisionBox Daytona“ von Imago Technologies.

Wo liegen die Grenzen von Deep Learning bei der Bildverarbeitung?

Je mehr Bilder zur Verfügung stehen, desto besseres Lernen ist möglich. In der heutigen Massenproduktion mangelt es jedoch an Fehlerbildern, weil sie selten vorkommen. Wie viele Industrieanwendungen laufen schon prozesssicher, haben das Vertrauen der Anwender gewonnen? Wo findet der Lernprozess statt – in einem Rechner im Schaltschrank, lokal im Produktionswerk, bei Deep-Learning-Experten oder in der Cloud? Deep Learning ist kein Zauberstab, sondern bedarf seriöser Ingenieursarbeit zur Entwicklung robust funktionierender Systeme. Die Technik steht noch am Anfang, entwickelt sich allerdings rasant schnell.

Wie bekomme ich Deep-Learning-Fähigkeiten in die Hardware, sprich: in Embedded-Vision-Systeme, Bildverarbeitungsrechner und intelligente Kameras? Welche Voraussetzungen muss die Hardware erfüllen, um für Deep Learning geeignet zu sein?

Imago Technologies bietet ein Spektrum von Hardware-Lösungen an. Bewiesen ist inzwischen, dass Inferenzprogramme auch in einer mit ARM-CPU ausgestatteten Smart Camera laufen. Leistungsstärker ist eine mit der GPGPU „Jetson Tegra TX2“ von Nvidia (ARM-CPU plus GPU) bestückte VisionBox, und am oberen Ende leistet eine mit 2500 GPU-Shadern rechnende Box die Arbeit für das Einlernen von Bildern. Es hängt somit wesentlich von der Komplexität der Aufgabe ab, ob Deep Learning in einer ARM-CPU ausführbar ist oder ein großer Rechner mit GPU-Kartenunterstützung erforderlich ist.

Inwieweit könnte Deep Learning dem Marktsegment der intelligenten Kameras neuen Schub verleihen?

Weil Inferenzprogramme nicht immer höchstmögliche Rechenleistung benötigen, sind intelligente Kameras dafür geeignet. Eine Infrastruktur für Updates sollte mit bedacht werden, Stichwort: neues Einlernen. Allerdings können die Anforderungen schnell steigen – und somit beispielsweise eine Nvidia-GPGPU des Typs „Jetson Tegra TX2“ erfordern.

Welche Anwendungen für Bildverarbeitungstechnik mit Deep Learning gibt es schon heute, welche sind für die Zukunft denkbar?

Montagekontrolle ist ein Beispiel. Fehlerbilder und Gutbilder werden eingelernt, und das System kann vor Montagefehlern warnen. Deep Learning wird aber auch völlig neue Ideen hervorbringen. So liefert die Event-Based VisionCam keine Bilder mehr, sondern nur noch Daten, in denen Events kodiert sind. Diese erlauben zusammen mit Deep-Learning-Methoden neue Anwendungen, etwa bei der kinematischen Kontrolle von Bewegungen oder der Vibrationsanalyse.

Seite 2 von 2

1. Kein Allheilmittel, aber Werkzeug für Kniffliges
2. Anwendungen von Deep Learning in der Zukunft

Auf Facebook teilen Auf Twitter teilen Auf Linkedin teilen Via Mail teilen

Verwandte Artikel

Imago Technologies