IBV unterstützt Deep-Learning-Prozesse
Strategische Produktionsplanung als Joker der Bildverarbeitung
Fortsetzung des Artikels von Teil 1
Deep Learning als Zukunft der Bildverarbeitung?
Die klassische Bildverarbeitung hat ihren Ursprung im Machine-Vision-Bereich, also in der Automatisierung und Inspektion der standardisierten Sorten- oder Massenfertigung. Der Vorteil ist ein fest definiertes Umfeld mit einem genauen Wissen darüber, welche Art Produkt oder Werkstück betrachtet wird. Somit ist ein klares Regelwerk für eine eindeutige Ja-Nein-Klassifizierung definierbar. Industrie 4.0 dagegen beruht auf flexiblen, sich selbst adaptierenden Produktionssystemen wie etwa der individuellen One-to-One-Fertigung oder verschiedensten Produkttypen, die über eine Produktionsstraße laufen. Die Maschinen, Bearbeitungsschritte und Bildverarbeitungs-Algorithmen müssen auf unvorhergesehene Ereignisse reagieren können; starre Regelkonzepte sind für die Fabrik der Zukunft nicht mehr anwendbar.
Machine-Learning-Konzepte als nächster Evolutionsschritt der Bildverarbeitung benötigen weniger starre Regelwerke, sondern setzen auf vorverarbeitete Daten. Beschreibende Merkmale wie Musterformen oder CAD-Modelle dienen als Basis für die Klassifizierung, und die Maschine durchläuft eine Trainingsphase zum Einlernen. Dazu nimmt sie große Datenmengen auf und lernt anhand einer manuellen Einschätzung, „ja oder nein“ und „gut oder schlecht“ bestmöglich zu trennen. Das mathematische Konzept des multidimensionalen Merkmalsraums dient zur Definition von Bereichen ohne gegenseitige Überschneidung, die eine bessere Unterscheidung und damit Objektklassifizierung ermöglichen.
Deep Learning dagegen bekommt als Rohmaterial Unmengen unverarbeiteter Daten, die keinerlei vorgegebene Merkmalsdefinition mitbringen. Der Zustand, die Einstellungen und der Verschleiß von Maschinen, die Qualität des gerade erzeugten Produkts und weitere Netzwerkinformationen laufen in einem Big-Data-Pool ungeordnet zusammen. Dr. Simon Che‘Rose, Entwicklungsleiter beim Bildverarbeitungsspezialisten Framos, erklärt die neue Methode der Informationsverarbeitung mit künstlichen neuronalen Netzen: »Vergleichbar mit kognitiven Lernprozessen bei Kleinkindern setzt ein Selbstlernprozess ein, der eigenständig sich wiederholende Merkmale, Strukturen, Muster und Zusammen-hänge erkennt und Synapsen bildet, auf deren Basis der Algorithmus lernt und Bilder verarbeitet. Eine Maschine oder Produktionsstraße in der Industrie 4.0 kann folglich auch unter wechselnden Umgebungsbedingungen mit einer hohen Variationsvielfalt umgehen; eine robuste Produktion ohne Qualitätsverlust ist garantiert.« Die Vernetzung der weltweit im Unternehmen eingesetzten Maschinen in der Cloud hilft, in kurzer Zeit die großen Datenmengen zu erzeugen, die für aussagekräftige Ergebnisse nötig sind.
Deep Learning hilft in der automatisierten Welt überall dort, wo Prozesse nicht genau vorhersehbar sind oder ungeplant effektiver ablaufen, und schafft die Voraussetzungen, damit die Anlagen und Roboter selbstständig und zuverlässig valide Entscheidungen treffen können. Die VDMA-Fachabteilung Industrielle Bildverarbeitung kommt in ihrer aktuellen Perspektiven-Studie zu dem Ergebnis, dass Bildverarbeitung das „Gesehene“ verifizieren, verarbeiten und dem Produktionssystem als Ergebnis zur Verfügung stellen muss. »Es ist nicht nur eine Aussage zu treffen, ob ein Teil gut oder schlecht ist, sondern anschließend eine intelligente Handlung zu steuern. Nur das umfangreiche Sammeln und Bewerten dieser Daten macht ein zuverlässiges und autonomes Handeln möglich und gibt Industrie 4.0 eine echte wirtschaftliche Bedeutung. Die Bildverarbeitung avanciert vom bloßen Inspektor zum Produktionsoptimierer.«
- Strategische Produktionsplanung als Joker der Bildverarbeitung
- Deep Learning als Zukunft der Bildverarbeitung?
- Bildverarbeitung und Big-Data-Analysen für bessere Produkte
Lesen Sie mehr zum Thema
