Intelligente Kameras Sensor-Funktionalitäten mit Deep Learning spezialisieren

Von Silvano Böni

Sick nutzt Deep Learning, um die Funktionalität von Sensoren applikationsbezogen zu spezialisieren.

Anbieter zum Thema

Deep-Learning-Kameras in der Logistikautomation übernehmen neue ungeahnte Funktionen.
Deep-Learning-Kameras in der Logistikautomation übernehmen neue ungeahnte Funktionen.
(Bild: Sick)

Intelligente Kameras können mit durch grosse Datenmengen trainierten, künstlichen neuronalen Netzen im industriellen Umfeld immer anspruchsvollere Anwendungen lösen. Die Integration von Deep-Learning-Algorithmen in Software zur Bildanalyse und -verarbeitung ermöglicht es, trainierte Objekte oder Merkmale automatisch zu erkennen, zu prüfen oder zu klassifizieren. Durch die intelligente funktionale Spezialisierung von Sensoren gelingt es, unter anderem in der Lebensmittel- oder der Holzverarbeitung die Materialausnutzung zu erhöhen, der Ressourcenverschwendung Einhalt zu gebieten und die Qualität von Produkten und Prozessen zu verbessern. In der Logistikautomation können Deep-Learning-Kameras unter Auswertung der eingelernten Bildbasis Sorterschalen auf das Vorhandensein flacher Versandtaschen und ihre tatsächliche Belegung prüfen oder auf einem Band neben- oder übereinanderliegende Objekte als einzelne Einheiten erkennen. Dank Deep Learning erbringen Sensoren dabei Intelligenzleistungen, die bislang dem Menschen vorbehalten waren – beispielsweise die Erkennung und Evaluierung von Strukturen oder Merkmalen, die vom Sensor im laufenden Betrieb in dieser Form zum ersten Mal erfasst werden. Damit ist Deep Learning als Teilbereich des maschinellen Lernens (Machine Learning) die wohl bedeutendste Zukunftstechnologie innerhalb des Themenfeldes der Künstlichen Intelligenz und zugleich auch langfristig Treiber von Industrie 4.0.

Strukturierter Deep-Learning-Workflow bringt Expertenwissen zusammen

Die meisten Deep-Learning-Projekte, mit denen sich Sick derzeit beschäftigt, kommen aus Fertigungsanwendungen oder der optischen Qualitätsinspektion. Um die verschiedenen Anwendungen effizient beurteilen zu können, hat das Unternehmen im Rahmen einer internen Deep-Learning-Initiative einen mehrstufigen Ablaufstandard entwickelt, in den sowohl die Deep-Learning-Experten von Sick als auch die Prozess- und Qualitätsexperten des Kunden massgeblich involviert sind. Auch wenn moderne 2D- und 3D-Kameras immer schneller und leistungsfähiger werden, bilden doch klassische Bildverarbeitungsalgorithmen ihre heutigen Grenzen. Danach stellt sich aus Sicht des maschinellen Lernens nur die Frage der Eindeutigkeit von Kriterien: Können diese über eine grosse Anzahl von Bildern, Gut- und Schlechtbeispielen ausreichend eindeutig erkannt und interpretiert werden? Was ist aus Sicht der Kundenexperten gut oder schlecht, mit ja oder nein zu beurteilen, tolerabel oder nicht oder hinsichtlich bestimmter Kriterien i. O. oder n. i. O.? Kann die erfahrungs- oder wissensbasierte Beurteilungsfähigkeit eines Menschen überhaupt als Intelligenzleistung durch den Sensor erbracht werden? Werden diese Fragen durch den jeweiligen Anwendungstechniker grundsätzlich positiv beurteilt, schafft die Erfassung und Annotation von vielen Bildern durch eine erfahrene Person die Trainingsdatenbasis für die späteren Deep-Learning-Algorithmen in den Sensoren.

Bildergalerie

Neuronale Netze bestehen aus Schichten. Dabei nimmt der Abstraktionsgrad von konkreten Bilddetails bis hin zu gröberen Konzepten in der Schichtabfolge zu. Dadurch wird auch erreicht, dass das Netzwerk bisher nie gesehene Daten mit hoher Wahrscheinlichkeit richtig verarbeiten kann. Ein neuro­nales Netzwerk lernt mit geeigneten Trainingsdaten, eine vorgegebene Aufgabe zu lösen.

Generell stehen für Deep-Learning-Entwicklung offene Frameworks zur Verfügung, um neuronale Netze zu definieren und zu trainieren. Diese Frameworks wurden ohne konkreten Bezug zu Sensorik oder Bildverarbeitung entwickelt. Hier genau beginnt das Know-how von Sick, die Grenzen der Sensorik mit Deep Learning neu auszuloten. Im Ergebnis entstehen Sensoren, die Aufgaben übernehmen, die bisher nur von Menschen gelöst wurden.

Transfer von Deep-Learning-Funktionalitäten in den Sensor

Im Gegensatz zum Prozess der klassischen Algorithmen-Entwicklung, der hauptsächlich durch die manuelle Entwicklung einer geeigneten Feature-Repräsentation geprägt ist, wird ein neuronales Netz auf optimale Features für seine Aufgabe trainiert und kann mit geeigneten Daten immer wieder nachtrainiert werden, um sich an neue Gegebenheiten anzupassen. Sowohl für den Aufbau des Trainingsdatensatzes durch das Erfassen von tausenden von Bildern und Beispielen als auch für das Training der neuronalen Netzwerke nutzt Sick als ausführende Einheit eine unabhängige, leistungsfähige Rechner- und IT-Basis. Das umfangreiche Rechnen der komplexen Operationen der Deep-Learning-Lösung für das Training erfolgt auf speziell dafür ausgestatteten, hausinternen Rechnern mit hoher GPU-Performance (Graphics Processing Unit). 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 nach dem Eco-System Sick AppSpace die nächste Stufe in AppSpace: ein neues Sensor-Software-Konzept, das anpassungs­fähige und zukunftssichere Lösungen für Automatisierungsanwendungen schafft. Zu den kommenden Deep-Learning-​Produkten, deren Kundenanpassung für den Anwender echte Mehrwerte generiert, gehören natürlich weitere bildverarbeitende Sensoren und Kameras.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Das Konzept des spezialisierten Sensors mit künstlicher Intelligenz ist prinzipiell auch auf einfache Sensoren, wie induktive Näherungsschalter, Reflexions-Lichtschranken, Ultraschallsensoren und andere, anwendbar. Darüber hinaus bieten Systemlösungen wie die immer anspruchsvoller werdende Fahrzeugklassifizierung an Mautstationen Potenzial für eine Deep-Learning-gestützte Klassifikation und Einteilung von Fahrzeugen in Mautklassen. Gleichzeitig gilt es, alte Pfade zu verlassen, Grenzen zu sprengen und Neues zu ermöglichen: Die Nutzung neuronaler Netzwerke und die Möglichkeit, selbstständig Wissen aus Erfahrungen zu generieren, wird neue kognitive Bereiche erschliessen und bisher undenkbare Applikationen ermöglichen, die Prozesse effizienter und produktiver machen.

(ID:47732205)