Deep Learning zugänglich und einfach zu bedienen

Anbieter zum Thema

Sick AG

Sick hat sein einfach zu bedienendes Anomaly Detection Tool innerhalb des Intelligent Inspection Toolset für die gesamte Palette der InspectorP6xx-2D-Vision-­Sensoren aktiviert. Damit können Anwender komplexe Inspektionen, wie die von Oberflächen, Schweiss-, Klebe- oder Lötstellen und Spritzgusswerkzeugen einfach durchführen und Anomalien erkennen. Vor allem dort, wo die Automatisierung mit regelbasierten Bildverarbeitungssystemen bisher nicht möglich war.

Um Unregelmässigkeiten bei der Qualitätskontrolle automatisiert zu erkennen, bietet Sick das Anomaly Detection Tool, welches auf dem 2D-Vision-Sensor-InspectorP6xx integriert ist. Damit kann auf der Grundlage von realen Beispielen der Sensor trainiert werden, ohne spezifische Regeln aufstellen zu müssen.

Zusätzlich können die Anwender auch herkömmliche, regelbasierte Bildverarbeitungswerkzeuge, etwa für dimensionales Messen von Abständen, Durchmessern oder Winkellagen, zusammen mit Deep Learning zur Lösung der Anwendung verwenden.

Intuitiver Lösungsprozess auf dem Gerät

Mit dem Tool «Anomaly Detection» können Benutzer direkt auf dem Gerät Daten sammeln und beschriften, den Algorithmus trainieren, Daten auswerten und nicht zuletzt die Aufgabe ausführen. Das ermöglicht eine schnelle und einfache Lösung der Qualitätsaufgabe.

«Da der gesamte Prozess ausschliesslich auf den Sick-InspectorP6xx-Vision-Sensoren abläuft, spart der Anwender Zeit und Aufwand bei der Applikationslösung», sagt Anders Gibeck, Produktmanager 2D Machine Vision bei Sick.

«So können komplexe Bildverarbeitungsinspektionen zu deutlich geringeren Betriebskosten automatisiert werden. Sie können die Fehlerprüfung von Produkten oder Waren automatisieren, für die das bisher schwierig zu realisieren war. Die beispielbasierten Bildtrainings und die benutzerfreundliche Oberfläche ermöglichen eine einfache Lösung», so Anders Gibeck weiter.

Bei Bedarf bietet Sick auch Dienstleistungen an, um Kunden bei der Machbarkeit, der Inbetriebnahme und dem Training von Deep-Learning-Modellen zu unterstützen.

Die Deep-Learning-basierte Anomaly Detection kann auch für spezifische Anwendung getestet werden, bevor die für den Einsatz im Produktionsbetrieb erforderliche
zusätzliche Lizenz erworben werden muss. Ausserdem können auch herkömmliche regelbasierte Bildverarbeitungstools zusammen mit Deep Learning eingesetzt werden, um die Anwendung zu lösen. Entwickler, die im AppSpace von Sick arbeiten, können Zeit und Aufwand bei der Programmierung sparen, indem sie die Sick Nova Machine Vision Toolbox nutzen, um ihre eigenen SensorApps anzupassen oder zu erstellen.

Weniger Bilder erforderlich und Heatmap

Mit Anomaly Detection können Anwender ihre Lösung nur auf der Grundlage fehlerfreier Referenzbilder – sogenannter IO-Bilder – trainieren.

Dies ist vor allem dann von Vorteil, wenn während des Lösungsprozesses nur wenige schlechte Musterbeispiele zur Verfügung stehen. Darüber hinaus zeigt Anomaly Detection mit einer Heatmap an, wo sich der Fehler im Bild befindet. Das spart zusätzlich Zeit in der Qualitätskontrolle.

Nahtlose Erweiterung der Qualitätsin­spektion

Das Sick Intelligent Inspection Toolset ist als nahtlose Erweiterung des Quality Inspection Toolset in der Sick Nova SensorApp verfügbar, die auf allen InspectorP6xx-Kameras vorinstalliert ist.

Durch die Kombination von traditioneller maschineller Bildverarbeitung für die Qualitätsinspektion mit einer leistungsstarken erweiterten Deep-Learning-Funktionalität eröffnet Intelligent Inspection Anwendern die Möglichkeit, anspruchsvolle Inspektionen zu automatisieren, die bisher nicht möglich waren.

Fredrik Nilsson, Leiter der Business Unit Machine Vision bei Sick, erklärt: «Durch die Erweiterung des Intelligent Inspection Toolset mit Anomalie-Erkennungsfunktionen für alle InspectorP6xx-Kameras von Sick können Anwender den besten Bildverarbeitungssensor für die Inspektionsaufgabe auswählen und dann nahtlos zu komplexen Bildverarbeitungsinspektionen mit künstlicher Intelligenz übergehen.»

(ID:49316924)