Herkömmliche oder „regelbasierte“ Bildverarbeitung funktioniert zuverlässig mit konsistenten, gut gefertigten
Teilen und liefert hervorragende Ergebnisse in hochpräzisen Anwendungen. Zu diesen zählen Führung,
Identifikation, Messung und Inspektion, die alle mit hohen Geschwindigkeiten und großer Genauigkeit ausgeführt
werden können. Diese Art der Bildverarbeitung funktioniert optimal bei bekannten Variablen: Ist ein Teil
vorhanden oder nicht? Wie weit ist dieses Objekt genau von diesem entfernt? Wo muss dieser Roboter dieses Teil
aufnehmen? Diese Aufgaben können in einer kontrollierten Umgebung problemlos am Fließband erledigt werden. Aber
was passiert, wenn die Dinge nicht so eindeutig sind?
Inspektion von Flaschen auf korrekte Versiegelung
Deep Learning ergänzt die IBV
Deep Learning ist in solchen Fällen die Lösung. Wenn ein neuronales Netzwerk anhand gekennzeichneter Beispiele lernt, was
ein gutes Bild ausmacht, kann es durch Berücksichtigung der erwarteten Abweichungen den Unterschied zwischen
einem guten und einem fehlerhaften Teil erkennen. Die folgenden Überlegungen können produzierenden Unternehmen
beim Einstieg in Deep-Learning-Projekte helfen, um Fehler und Zeitverluste zu vermeiden und um Skeptiker von den
erheblichen Vorteilen dieser Technologie zu überzeugen. Wenn es richtig angegangen wird, kann ein erstes,
erfolgreiches Projekt strategischen Einfluss haben und zu ehrgeizigeren Zielen führen.
Realistische Erwartungen setzen
Eine gut trainierte Deep-Learning-Anwendung erfordert einen umfassenden Satz von Trainingsbildern, die die
Bandbreite der Fehler und/oder akzeptablen Teilevarianten darstellen, um in der Produktion gut zu funktionieren.
Diese Bilder müssen unter Produktionsbedingungen und in der tatsächlichen Beleuchtungssituation aufgenommen
werden. Das ist für den Erfolg eines Deep-Learning-Projekts wesentlich. Darüber hinaus müssen Bilder nach ihrer
Erfassung eingestuft und gekennzeichnet werden.
Die Qualifizierung einer Deep-Learning-Vision-Lösung ist ein iterativer Prozess, bei dem das System an einer
Produktionslinie installiert werden muss. Im Gegensatz zu herkömmlichen Bildverarbeitungssystemen müssen das
Einlernen und Validieren der Bilder für das Deep Learning während der Entwicklungsphase erfolgen. Deep Learning
benötigt zum Einlernen eine große Zahl von Proben, was einige Zeit in Anspruch nehmen kann, damit eine
repräsentative Reihe von Bildern erfasst wird, die zur Schulung eines gut funktionierenden Deep-Learning-Tools
erforderlich sind.
