Deep Learning in der industriellen BV Kein Allheilmittel, aber Werkzeug für Kniffliges

Die Smart Camera »VisionCam XM« von Imago Technologies kann mit entsprechender Software zum Deep-Learning-Vision-Device werden.

Deep Learning wird klassische Bildanalyse-Methoden nicht ersetzen, ist aber eine sinnvolle Ergänzung für bestimmte Aufgaben und wird künftig auch völlig neue Anwendungs-Ideen hervorbringen. Carsten Strampe, Geschäftsführer von Imago Technologies, erläutert die Hintergründe.

Markt&Technik: Was verstehen Sie unter Deep Learning?

Carsten Strampe: In der industriellen Bildverarbeitung ist Deep Learning eine ergänzende Methodik für bis dato schwierige Aufgaben. Deep Learning ergänzt klassische mathematische Operatoren, ist aber nicht der vermeintliche Befreiungsschlag.

Wo liegen Ihres Erachtens die Unterschiede zwischen Deep Learning und Machine-Learning?

Sind die Methoden des Lernens nachvollziehbar? Bei Machine-Learning werden mathematische Merkmale errechnet und daraus beispielsweise Klassen gebildet. Gibt es eine Fehlentscheidung, so lässt sie sich anhand der mathematischen Merkmale nachvollziehen. Nicht so bei Deep Learning: Es ist schon eher eine Black Box – dieser gibt man Bilder verschiedener Klassen und lässt danach das Netzwerk die Klassenzuordnung entscheiden. Geht dies schief, muss der Lernvorgang wiederholt oder ergänzt werden. »Das Gehirn wird gelöscht und neu eingelernt« – so hat es ein erfahrener Software-Entwickler umschrieben.

Welche Möglichkeiten eröffnet Deep Learning für die Bildverarbeitungstechnik und für die Inspektion auf Bildverarbeitungsbasis?

Neue Messtechnik-Anwendungen? Wohl kaum. Aber in der Fehlerklassifikation, Montagekontrolle oder Qualitätskontrolle verschafft Deep Learning neue Spielräume. Man muss es testen, evaluieren, früher oder später auch am Fließband installieren, um Erfahrungen zu sammeln. Es handelt sich schließlich um eine neue Technik, die nicht per Plug and Play verfügbar ist.

Für welche Inspektionsaufgaben eignen sich eher Deep-Learning-Algorithmen, für welche traditionelle Methoden?

Wie gesagt, und ergänzend: Es hängt auch vom Endkunden ab, ob er Deep Learning vertraut. Müssen Entscheidungen nachvollziehbar sein und dokumentiert werden (in Form von Parametersätzen, unter denen die Entscheidung getroffen wurde), so sind traditionelle Methoden sicherer. Geht es jedoch um komplexe Bildszenen und reicht beispielsweise eine Warnung vor einem Montagefehler aus, so kann Deep Learning echte Vorteile bringen. Zu berücksichtigen ist auch die Quote von Fehlentscheidungen. 97,5 Prozent richtige Klassifikation klingt gut, aber bei 100 Teilen pro Sekunde sind dies 9000 Fehlentscheidungen pro Stunde.

Inwieweit eignet sich Deep Learning für Robot-Vision?

Wird der Griff in die Kiste noch sicherer? Diese Frage werden die Bin-Picking-Experten beantworten können. Nicht zu unterschätzen sind heutige Taktzeiten für Robot-Vision – Deep Learning benötigt Rechenzeit, und der Roboter hat keine Zeit zu warten, sondern erwartet während der Bahnbewegung neue Zielkoordinaten. Es wird noch spannend werden! Wird neu eingelernt, so ändert sich eventuell das Timing.