Neue Funktionalitäten für Sensoren Sensorintelligenz profitiert von Deep Learning

Das Sick-Applikationssystem auf Basis von Deep Learning erkennt, ob eine Sorterschale in einem Logistik-Hub tatsächlich nur mit einem Objekt beladen ist.

Sick verstärkt seine Aktivitäten im Bereich der KI. Dazu hat der Sensorexperte neue, auf Deep-Learning-Algorithmen basierende Software-Applikationen für die Logistikautomation entwickelt.

Mittels Deep Learning erbringen Sensorsysteme bei der automatischen Erkennung, Prüfung und Klassifizierung von Objekten oder Merkmalen Intelligenzleistungen, die bislang dem Menschen vorbehalten waren. Damit zählt Deep Learning – als Teilbereich des maschinellen Lernens (Machine-Learning) – zur wohl bedeutendsten Zukunftstechnologie innerhalb des Themenfeldes der künstlichen Intelligenz und ist zugleich auch langfristig Treiber von Industrie 4.0.

Nachdem Sick bereits zu Beginn des Jahres über die erfolgreiche Umsetzung von Deep-Learning-Algorithmen in ersten Pilotprojekten berichtet hatte, folgt nun eine weitere Software-Applikation für das Systemgeschäft in der Logistikautomation. Dabei erkennt das Deep-Learning-System, ob eine Sorterschale in einem Logistik-Hub tatsächlich nur mit einem Objekt beladen ist. Dies führt zu effizienteren Warenströmen.

Training für den Sensor

Um Deep Learning zu realisieren, werden neuronale Netzwerke eingesetzt. Im Gegensatz zur klassischen Entwicklung von Algorithmen, die hauptsächlich durch die manuelle Entwicklung einer geeigneten Feature-Repräsentation geprägt ist, wird ein neuronales Netz auf optimale Features für seine Aufgabe trainiert. Mit applikationsspezifischen Daten wird es immer wieder nachtrainiert, um sich an neue Gegebenheiten anzupassen. Sowohl für den Aufbau des Trainingsdatensatzes durch das Erfassen und Bewerten von Tausenden von Bildern und Beispielen als auch für das Training der neuronalen Netzwerke nutzt Sick als ausführende Einheit eine unabhängige hausinterne Rechner- und IT-Basis. Das Rechnen der komplexen Operationen der Deep-Learning-Lösung für das Training erfolgt auf speziell dafür ausgestatteten Rechnern mit hoher GPU-Performance. Die daraus generierten neuen Deep-Learning-Algorithmen werden lokal auf dem Sensor bereitgestellt und sind so unmittelbar und ausfallsicher beispielsweise auf einer intelligenten Kamera verfügbar.

Ausbau des Deep-Learning-Sensorportfolios

Mit der Umsetzung von Deep Learning in ausgewählten Sensoren und Sensorsystemen zündet Sick die nächste Stufe im Ökosystem Sick AppSpace. Zu den kommenden Produkten, die mit der neuen Technologie arbeiten werden und deren kundenspezifische Anpassung echten Mehrwert generiert, gehören weitere bildverarbeitende Sensoren und Kameras. Das Konzept des durch künstliche Intelligenz spezialisierten Sensors lässt sich prinzipiell aber auch auf einfache Sensoren wie etwa induktive Näherungsschalter, Reflexions-Lichtschranken, Ultraschallsensoren und andere anwenden. Darüber hinaus bieten Systemlösungen wie die Fahrzeugklassifizierung an Mautstationen reichlich Potenzial für eine Deep-Learning-gestützte Einteilung von Fahrzeugen in Mautklassen. Hier kommen bislang schon Sick-Sensoren zum Einsatz – und mit dem neuen Deep-Learning-Ansatz könnte sich Sick ein weiteres Stück vom Kuchen abschneiden.