Wichtige Erkenntnisse
Deep-Learning-Verifizierungstools vereinfachen komplexe Aufgaben wie Fehlererkennung, Montageüberprüfung und Texterkennung, indem sie aus Bildern lernen und sich im Laufe der Zeit verbessern. Sie bringen Anpassungsfähigkeit in die Produktionslinien und bewältigen Herausforderungen, die traditionelle Systeme oder menschliche Inspektoren nicht so einfach bewältigen können.
Die Aufrechterhaltung einer konstanten Qualität in der Automobilfertigung kann herausfordernd sein – insbesondere aufgrund der unvorhersehbaren Mängel, die auftreten können. Deep-Learning-Prüfsysteme verwenden Digitalkameras und Bilderkennungsalgorithmen, um ein breites Spektrum an Problemen wie Rost, Verfärbungen und Beschädigungen zu erkennen. Wenn Deep-Learning-Anwendungen richtig entwickelt wurden, helfen sie dabei, Fehler zu reduzieren und die Produktqualität zu verbessern.
In einer Prüfanwendung arbeiten industrielle Bildverarbeitung und Deep Learning folgendermaßen zusammen:
- Entwickler erstellen einen Trainingssatz mit Bildern von einwandfreien Produkten, um das „korrekte“ Erscheinungsbild eines Produkts zu definieren.
- Entwickler fügen Bilder von Mängeln hinzu, um die häufigsten Anomalien und Fehler zu finden.
- Industrielle Bildverarbeitungskameras nehmen Bilder von Artikeln auf Produktionslinien auf. Die Anwendung für maschinelles Lernen vergleicht diese neuen Bilder mit den Trainingsbildern, um Defekte zu kennzeichnen.
- Da die Anwendung so optimiert ist, dass sie Erfolg sucht und Fehler vermeidet, bringt sie sich selbst bei, mit der Zeit präziser zu werden.
Die Software zur Entwicklung von Deep-Learning-Anwendungen muss über vier Kernfunktionen verfügen:
1. Lokalisierung von Merkmalen und Montageüberprüfung
Fehler zu finden ist nicht die einzige Aufgabe der industriellen Bildverarbeitung und Deep-Learning-Software. Sie kann auch Trainingsbilder und Lernalgorithmen verwenden, um Komponenten zu lokalisieren, die bei Aufgaben wie der Anweisung eines Roboterarms zur Ausrichtung von Komponenten helfen. Das ist für hochpräzise Produkte wie Halbleiter, Smartphones und Pharmazeutika wesentlich.
Diese Anwendungen können auch die Anzahl der Produkte an einem Standort scannen. Dann können sie einen Roboter anweisen, mehr von denselben Produkten hinzuzufügen, bis ein Regal oder Karton voll ist. Sie können auch alle Komponenten in einer Packung zählen, um zu gewährleisten, dass nichts fehlt.
Die besten Lokalisierungs- und Verifizierungstools funktionieren bei verschiedensten Beleuchtungen und Oberflächen, die regelbasierte Bildverarbeitungssysteme und Mitarbeitende in der Qualitätskontrolle irritieren.
2. Fehlererkennung und Segmentierung
Die Fehlererkennung ist vielleicht die begehrteste Fähigkeit der Deep-Learning-Software in Produktionsumgebungen. Während Bildverarbeitungssysteme so programmiert werden können, dass sie eine bestimmte Art von Fehler markieren, ist die Identifizierung mehrerer Fehler sehr zeitaufwändig.
Fehlererkennungstools beginnen mit einer Datenbank von „guten“ Bildern und Aufnahmen von häufigen Fehlern wie Rost, Druckstellen, Kratzern und fehlerhaften Ausrichtungen. Erstklassige Erkennungstools verfügen zudem über eine Option zur Erkennung von Fehlern, die vom „guten“ Bild abweichen. Diese Bilder von seltenen Produktionsergebnissen können dem Tool helfen, selbst seine Genauigkeit zu verbessern.
Die Segmentierung erkennt einen Abschnitt in einem Bild und weist die Software an, diesen Bereich auf Fehler zu durchsuchen. Das vereinfacht Deep-Learning-Anwendungen, indem Bereiche herausgefiltert werden, die für die Segmentsuche nicht relevant sind.
3. Objekt- und Szenenklassifizierung
Die Klassifizierung von Objekten und Szenen hilft Deep-Learning-Anwendungen dabei, Fehler in Klassen zu unterteilen. Dadurch wird die Fähigkeit der Anwendung optimiert, sich selbst ohne menschlichen Eingriff zu verbessern. Im Allgemeinen werden Bilder nach bestimmten Merkmalen gekennzeichnet und anschließend nach Parametern klassifiziert. Auf diese Weise können zerkratzte Produkte zum Beispiel automatisch zur Lackierstraße und verbeulte Produkte in die Metallbearbeitung weitergeleitet werden.
Bei der Klassifizierung werden Produkte und Komponenten anhand gemeinsamer Merkmale wie Farbe, Textur, Materialien, Verpackung und Fehlertyp sortiert. Die besten Klassifizierungstools erstellen Toleranzen für natürliche Abweichungen hinsichtlich Nuancen, Formen oder Abmessungen und passen diese Toleranzen an die Anforderungen der jeweiligen Klasse an.
Mehr dazu: So funktioniert das Deep-Learning-Klassifizierungstool
4. Lesen von Text und Zeichen
Das Lesen von Wörtern, Zahlen oder Text auf Oberflächen wie einem Motorblock oder Kupferrohr kann für Menschen und standardmäßige industrielle Bildverarbeitungsalgorithmen so gut wie unmöglich sein. Die Beleuchtung an einer Produktionslinie kann variieren, an einigen Stellen Schatten und an anderen Blendeffekte verursachen – die im Laufe des Tages je nach den Änderungen des Umgebungslichts auf Werksebene wechseln.
Deep-Learning-Anwendungen verbinden Schrifttypen und Zeichensätze mit der Beschriftung auf Teilen in der Produktion. Dadurch kann Text durch Kunststoffabdeckungen und auf unebenen Oberflächen, z. B. bei Kleidung oder Gartenwerkzeug, leichter gelesen werden. Fortschrittliche Tools zur Zeichenerkennung werden nicht nur in der Produktionshalle eingesetzt, sondern finden auch in Verteil-, Logistik- und Handelssystemen Anwendung.
Mehr dazu: Komplexe und anspruchsvolle Codes unter allen Bedingungen mit Deep-Learning-basierter OCR lesen
Weitere Merkmale der Deep-Learning-Software
Neben den vier hier beschriebenen Fähigkeiten sollte ein robustes Deep-Learning-Softwarepaket außerdem:
- Einfach zu erlernen sein, mit einer intuitiven GUI, die kein großes technisches Fachwissen erfordert.
- Für visuelle Prüfungen in Produktionsumgebungen optimiert sein, mit einer kleineren Bildauswahl, die weniger Training erfordert.
- Für Windows PCs mit GPUs (Grafikprozessoren) konzipiert sein.
Cognex Deep Learning bietet diese und viele weitere leistungsstarke Merkmale, die im Gegensatz zu anderen Open-Source-Frameworks mit Deep Learning für Werks- und Produktionsumgebungen entwickelt wurden. Es kombiniert eine Bibliothek industrieller Bildverarbeitungstools mit modernsten Deep-Learning-Tools in einem gemeinsamen Entwicklungs- und Implementierungsrahmen.