1D-Barcode (eindimensional): Auch bekannt als linearer Barcode; ein maschinenlesbarer Code, der Daten mit Hilfe der Breiten und Abstände paralleler Linien darstellt. Einige Beispiele: Codabar, Code 128, Code 39, EAN, Interleaved 2 aus 5, Pharmacode, POSTNET und UPC.
2D-Barcode (zweidimensional): Maschinenlesbarer Code, der Daten sowohl horizontal als auch vertikal speichert. Einige Beispiele: Aztec, Data-Matrix, MaxiCode und QR-Code.
3D-Vision-Systeme: Ein optisches Gerät, das zur Aufnahme und Verarbeitung dreidimensionaler Bilder von Objekten oder Szenen verwendet wird. Durch die Abbildung von Szenen in 3D können diese Kameras Änderungen in der Umgebung und Variationen in den zu analysierenden Objekten handhaben. Ideal für Prüfungs-, Prozesskontroll-, Mess- und Roboterführungsanwendungen.
30-Grad-Beleuchtung: Beleuchtet das Zielobjekt in einem 30-Grad-Winkel. Je nach Beleuchtungsvariante (30Q, 30T oder 30S) kommt die Beleuchtung von allen vier Seiten, von zwei Seiten oder von einer Seite. Diese Beleuchtungstechnik eignet sich perfekt zur Überprüfung von Direct Part Mark (DPM) Codes auf gekrümmten, flachen und halb-glänzenden Teilen. Sie eignet sich auch gut für nadelgeprägte Codes, die auf strukturiertem Hintergrund angebracht sind.
45-Grad-Beleuchtung: Beleuchtet das Zielobjekt von einem 45-Grad-Winkel. Einfallendes Licht wird nicht nach oben zur Kamera sondern weg von ihr reflektiert. Diese Beleuchtungsart wird zur Überprüfung von etikettenbasierten Barcodes und Direct Part Mark (DPM) Codes auf eloxierten, Kunststoff- oder matten Oberflächen verwendet.
90-Grad-Beleuchtung: Leuchtet direkt nach unten und wird wieder zurück in die Kamera reflektiert. Diese ist die einzige Beleuchtungsoption zur Überprüfung von DPM-Codes (Direct-Part-Mark) auf glänzenden, reflektierenden Oberflächen.
Algorithmus: Eine Reihe von Anweisungen und Berechnungen, mit deren Hilfe ein Computer ein Ziel erreicht. In der Fabrikautomation können Algorithmen gewaltige Datensätze von Sensoren, Scannern und Digitalkameras durchsuchen, um Ineffizienzen zu ermitteln, die Qualität zu verbessern und Verbesserungen zu empfehlen. Ein „Lern“-Algorithmus verwendet Methoden, die auf Versuch und Irrtum sowie Lernen an Beispielen basieren, um Produktionsprozesse ohne menschlichen Eingriff zu optimieren.
Blendenöffnung: Bei linearen 1D-Codes bezieht sich die Blende auf die Probengröße, die mithilfe einer Scanlinie über die Länge des Codes genommen wird, um die Striche und Lücken zu lesen, angegeben in Mil. Bei 2D-Codes bezieht sich die Blende auf das kreisförmige Muster, das an den Gitterschnittpunkten erfasst wird. ISO-Normen schreiben Blendenöffnungen für eine genaue Klassifizierung vor.
Anwendungsstandard: Regeln werden von einer Organisation festgelegt, die Richtlinien für die Barcode-Markierung und Klassifizierung vorschreibt, zum Beispiel welche Art von Symbologie zugelassen wird, welche Norm zur Bewertung herangezogen wird, welche Klasse zur Zulassung mindestens erreicht werden muss sowie die Blendenöffnung, das X-Maß-Spektrum, der erforderliche Beleuchtungswinkel und die Formatierung der Daten innerhalb des Barcodes.
Künstliche Intelligenz (KI): Rechentechniken, die menschliche Entscheidungsfindung nachahmen und dabei die Automatisierung nutzen, um für Menschen schwierige Aufgaben durchzuführen. KI-Algorithmen sind für die Fabrikautomation von zentraler Bedeutung, da sie Technologien wie Bilderkennung und natürliche Sprachverarbeitung nutzen können, um menschliche Fehler zu verringern und Produktionsherausforderungen vorherzusehen.
KI-Halluzination: Instanzen, in denen ein KI-System falsche oder irreführende Ergebnisse oder Antworten generiert, die nicht auf der Realität oder auf Fakten basieren – die KI „erfindet“ im Wesentlichen Daten, die nicht existieren. Dies tritt typischerweise bei generativen Modellen auf, wie Sprach- oder Bildgeneratoren, die Informationen erfinden oder falsche Verbindungen herstellen können, was bei industriellen KI-Systemen selten ein Problem darstellt.
KI-Verzerrung: KI-Systeme produzieren Fehler oder ungerechte Ergebnisse aufgrund von Verzerrungen, die während des maschinellen Lernens entstehen. Diese Verzerrungen können auf verzerrte Trainingsdaten, fehlerhafte Algorithmen oder eine mangelnde Vielfalt im Datensatz zurückzuführen sein und zu ungerechten oder diskriminierenden Ergebnissen führen. In der Fertigung kann eine KI-Verzerrung Bildverarbeitungssysteme beeinträchtigen, indem sie Prüfergebnisse verfälscht und möglicherweise Fehler übersieht oder falsch identifiziert, was die Produktqualität und die betriebliche Effizienz beeinträchtigen könnte. Sie kann auch gesellschaftliche Ungleichheiten festigen und Diskriminierung aufgrund von ethnischer Zugehörigkeit, Geschlecht oder anderen Faktoren verstärken.
Flächen-Scan: Typ einer 2D-Kamera, die in der industriellen Bildverarbeitung verwendet wird. Sie nimmt detaillierte, statische Bilder auf. Besser geeignet für die Prüfung kleinerer, definierter Artikel. Dabei kann es sich um einfache Einzwecksensoren oder um umfassende Systeme mit zahlreichen Funktionen handeln.
Axialungleichmäßigkeiten: Bezieht sich darauf, wie sehr die Form „vom rechten Winkel abweicht“ oder das Maß der Abweichung entlang der horizontalen und vertikalen Achse des 2D-Codes.
Rückwärtspropagierung: Algorithmus, der zum Trainieren neuronaler Netze verwendet wird, indem er den Fehler zwischen vorhergesagten und tatsächlichen Ausgaben minimiert. Es handelt sich um einen Vorwärtsdurchlauf, bei dem die Verarbeitung der Eingaben zu einer Ausgabe führt, gefolgt von einem Rückwärtsdurchlauf, bei dem der Algorithmus die Gewichte des Netzwerks (numerische Werte, die die Stärke der Verbindungen zwischen Neuronen bestimmen) mithilfe der Gradientenabstiegsmethode anpasst, um den Fehler zu reduzieren. Die Wiederholung dieses Prozesses über mehrere Iterationen hinweg hilft dem Modell, zu lernen und seine Genauigkeit zu verbessern.
Erhöhte Strichbreite: Die Abweichung eines Strichs oder Elements von der idealen Größe.
Barcode: Ein maschinenlesbares Muster aus Linien und Abständen (1D) oder Rechtecken, Punkten und anderen geometrischen Mustern (2D) wird auf Produkte, Verpackungen oder Teile aufgebracht und enthält Daten, die für Informations-, Marketing- und Rückverfolgungszwecke verwendet werden.
Barcode-Lesegerät: Ein Gerät, das die Daten oder Informationen in einem Barcode dekodiert. Einige Barcode-Lesegeräte verwenden Laser zur Decodierung der Informationen (Laserscanner), während andere auf Licht oder Kameras zurückgreifen, um das Barcode-Bild zu erfassen und dann zu lesen und zu decodieren (bildbasierte Barcode-Lesegeräte).
Barcode-Verifizierung: Prozess der Einstufung der Druckqualität und Lesbarkeit von 1D-, 2D- und DPM-Codes nach bestimmten Standards. Barcode-Verifier – Inline- und Offline-Gerät zur Bewertung der Qualität eines Barcodes.
Verzerrungsminderung: Techniken und Strategien zur Reduzierung oder Beseitigung von Verzerrungen in KI- und maschinellen Lernmodellen. Dazu gehört es, Verzerrungen in Trainingsdaten, Algorithmen und Entscheidungsfindungsprozessen zu finden und zu beheben, um faire Ergebnisse zu gewährleisten. Gängige Methoden sind Datenausgleich, algorithmische Anpassungen, kontradiktorische Entzerrung und Korrekturen in der Nachbearbeitung.
Abwägung zwischen Verzerrung und Varianz: Die Balance zwischen der Fähigkeit eines Modells, Verzerrungen und Abweichungen zu minimieren, um die beste Vorhersagegenauigkeit zu erzielen. Eine hohe Verzerrung kann zu einer unzureichenden Anpassung führen, bei der das Modell zu einfach ist und die Komplexität der Daten nicht erfasst. Umgekehrt kann eine hohe Varianz zu einer Überanpassung führen, bei der das Modell zu komplex ist und bei Trainingsdaten gut, bei unbekannten Daten jedoch schlecht funktioniert. Der Kompromiss besteht darin, das richtige Maß an Komplexität zu finden, um den Gesamtfehler zu minimieren
Big Data: Technologien, die enorme Datensätze aus verschiedensten Quellen nutzen und dabei Analysetools verwenden, um einzigartige Einblicke zu gewinnen. Big Data bildet die Basis für KI, denn Lernalgorithmen benötigen eine Flut von Informationen, um die menschliche Entscheidungsfindung nachzuahmen und genaue Prognosen zu treffen. Eine automatisierte Fabrik nutzt Big-Data-Analytik, um ihre KI-Initiativen zu beeinflussen. Technologien, die enorme Datensätze aus mehreren Quellen zusammenführen und dabei Analysetools verwenden, um einzigartige Einblicke zu generieren. Big Data bildet die Basis für KI, denn Lernalgorithmen benötigen eine Flut von Informationen, um die menschliche Entscheidungsfindung nachzuahmen und genaue Prognosen zu treffen. Eine automatisierte Fabrik nutzt Big-Data-Analytik, um ihre KI-Initiativen zu beeinflussen.
Kalibrierungsprozess: Zuordnung einer Kameramessung zum tatsächlichen Reflexionsgrad und die Erstellung eines Referenzwerts für die Reflexion der Verifizierungssoftware. Der Kalibrierungsprozess passt den Reflexionsgrad an und kontrolliert diese Werte, um die genauesten Prüfergebnisse sicherzustellen. Ein Verifier muss über einen Kalibrierungsprozess verfügen, um ISO-konform zu sein.
Kalibrierkarte: Karte mit Vorlagensymbolen, die anhand einer nach NIST rückverfolgbaren „Judge“-Karte bewertet werden. Diese Symbole können zur Kalibrierung und Prüfung Ihrer Kalibrierungswerte verwendet werden.
Zellkontrast: Der nach ISO/IEC TR 29158 abgestufte Parameter ist die DPM-Version des als „Symbolkontrast“ bezeichneten Parameters nach ISO/IEC 15415, der den relativen Kontrastwert zwischen Strichen und Abständen berechnet.
Zellmodulation: Der nach ISO/IEC TR 29158 abgestufte Parameter ist die DPM-Version der Modulation, die nach der Einstufungsskala berechnet wird, die auf den Mittelwert der Verteilung und nicht auf den in der ISO/IEC 15415 verwendeten Mittelwert der maximalen und minimalen Reflexion festgelegt ist.
Chemische Ätzung: Eine Art des Direct Part Marking (DPM). Hierbei handelt es sich um den subtrahierenden Herstellungsprozess, der mithilfe von temperaturregulierten ätzenden Chemiekalienbädern Material entfernt und ein Objekt in der gewünschten Form erstellt.
Klassifizierung: Trennen von Daten in bestimmte Kategorien, die die Wirksamkeit der KI verbessern. In der Fabrikautomation untersuchen Geräte für die Datenerfassung die Produktionsumgebung und erkennen bestimmte Objekte wie Maschinenteile und elektronische Komponenten. KI-Algorithmen tragen zur Klassifizierung dieser Objekte bei und führen sie ihren richtigen Bestimmungsorten in der Produktionslinie zu.
Taktmuster: Ermöglicht die Zählung einer Anzahl von Zeilen und Spalten in einem 2D-Code.
Clustering: Trennung einer Anzahl von Datenpunkten in Cluster, um herauszufinden, welche ähnlich und welche unterschiedlich sind. Lernalgorithmen durchsuchen Cluster, um ihre Bedeutung zu interpretieren und eine richtige Vorgehensweise vorherzusagen. Zum Beispiel verarbeiten Cluster-Algorithmen Daten aus optischen Scannern, um zu entscheiden, was zu tun ist, wenn ein Produktfehler erkannt wird.
Computer Vision: Ermöglicht Maschinen, visuelle Informationen ihrer Umgebung zu interpretieren und zu verstehen. Dabei lernen Computer, visuelle Daten wie Bilder und Videos zu analysieren und auf dieser Grundlage Entscheidungen zu treffen, wobei der Schwerpunkt häufig beim Auffinden und Klassifizieren von Objekten liegt. Über industrielle Anwendungen hinaus wird Computer Vision in verschiedenen Bereichen wie Gesichtserkennung, autonome Fahrzeuge und medizinische Bildgebung eingesetzt.
Konformitäts-Kalibrierkarte: Eine Karte, die Testsymbole mit absichtlichen Fehlern enthält, die zur Prüfung der Berichtfunktionen des Verifiers und zum Nachweis der Konformität mit den Industrie-Standards wie ISO 15415, ISO 15416 und den GS1 Anforderungen eingesetzt werden.
Datenbereinigung/Scrubbing: Entfernung von fehlerhaften Daten zur Verbesserung der Effektivität eines Lernalgorithmus. KI hängt von ausgefeilten Datenmodellen ab, die über genaue, zuverlässige und beständige Datenquellen verfügen müssen. Leider liefert die Datenerfassung oft redundante, ungenaue, überholte oder sonstige unnütze Informationen. Die Bereinigung (bzw. das Scrubbing) der Daten reduziert die Gefahren und verbessert die KI-Genauigkeit.
Deep Learning: Eine KI-Technologie, die für die Automatisierung komplexer und in hohem Maße benutzerdefinierter Anwendungen entwickelt wurde. Die Verarbeitung erfolgt über einen Grafikprozessor (GPU), der es dem Anwender ermöglicht, aus großen, detaillierten Bildsätzen (Hunderte bis Tausende von Bildern) anspruchsvolle neuronale Netzwerke zu erstellen. Mithilfe dieser neuronalen Netzwerke analysiert Deep Learning schnell und effizient große Bildmengen, um subtile, variable Defekte zu erkennen und zwischen akzeptablen und inakzeptablen Anomalien zu unterscheiden.
DataMatrix: Ein 2D-Code, mit dem hohe Datenvolumen kodiert werden können (bis zu 2.335 alphanumerische oder 3.116 numerische Zeichen). Außerdem verwendet er ein Fehlerkorrektursystem, das es ermöglicht, auch Codes zu lesen, die bis zu 40% beschädigt sind. Er besteht aus schwarzweißen Zellen in einem quadratischen oder rechteckigen Muster und enthält ein Such- und Taktmuster.
Dekodierbarkeit: Bewertet die Genauigkeit der Strich- und Zwischenraumbreite im Vergleich zu ihrer idealen Größe. Ein Barcode mit erhöhter oder verzerrter Strichbreite wird in eine niedrige Dekodierbarkeitsklasse eingestuft.
Dekodieren: Prüft, ob der Code mit dem Standard-Referenz-Dekodieralgorithmus gelesen werden kann.
Tiefenschärfe: Bezieht sich auf den Abstand zwischen den nächsten und am weitesten entfernten Objekten, die in einem Bild scharf erscheinen, oder dem Abstand, aus dem ein Barcode-Lesegerät einen Barcode erfolgreich dekodieren kann.
Direct Part Marking (DPM): Ein Prozess zur dauerhaften Markierung von Teilen mit Produktdaten, einschließlich Seriennummer, Teilenummer, Datumscodes und Barcodes. Diese Vorgehensweise unterstützt die Rückverfolgbarkeit der Teile während ihrer gesamten Lebensdauer. Einige Beispiele: Chemische Ätzung, Nadelprägung und Lasermarkierung.
Diskriminierende KI: KI-Modelle, die auf der Grundlage vorgegebener Daten Ergebnisse vorhersagen. Diese Ergebnisse können Klassifizierungen sein, etwa ob ein Bild für Prüfaufgaben „gut“ oder „schlecht“ ist, oder die Identifizierung eines Textabsatzes positiv oder negativ ist. Die Vorhersagen sind nicht unbegrenzt; die KI-Modelle wissen, was sie vorhersagen müssen, was diesen Ansatz typisch für Bildverarbeitungsanwendungen macht.
Dombeleuchtung: Sorgt für gleichmäßiges Licht aus verschiedenen Winkeln, was dazu führt, dass sogar spiegelnde Objekte nicht glänzen. Sie wird zumeist verwendet, um glänzende, gekrümmte oder unebene Oberflächen zu prüfen. Sie kann auch verwendet werden, um DPM-Codes zu überprüfen, die auf gekrümmte oder strukturierte Teile gedruckt sind. Damit die Dombeleuchtung effizient ist, benötigt sie die Nähe zum Zielobjekt.
Nadelprägung: Ein Direct Part Marking-Verfahren (DPM) mit Karbid- oder Diamantnadel, die schnell eine Reihe von kleinen Punkten auf die Materialoberfläche schlägt. Die Nadel bewegt sich über die Oberfläche und formt so eine Markierung, einschließlich alphanumerischer Zeichen sowie maschinenlesbarer Codes und Logos.
Kantenkontrast: Misst den Unterschied zwischen benachbarten Strichen und Zwischenräumen.
Kantenanzahl: Ein Pass/Fail-Parameter, der die Anzahl der Kanten in einem 1D-Code zählt.
Edge Learning: Eine KI-Technologie, die auf Benutzerfreundlichkeit ausgelegt ist. Die Datenverarbeitung erfolgt geräteintern oder „at the edge“ (an der Peripherie), mit vortrainierten Algorithmen. Sie ist einfach einzurichten und erfordert kleinere Bildsätze (lediglich 5 bis 10 Bilder) sowie kürzere Trainingszeiten als herkömmliche Deep-Learning-Lösungen. Da keine Fachkenntnisse erforderlich sind, können auch Laien in der Bildverarbeitung Edge-Learning-Tools trainieren und innerhalb von wenigen Minuten Prüfungsergebnisse erhalten.
Element: Ein einzelner Strich oder Abstand in einem linearen Barcode.
Ethische KI: Die Entwicklung von KI-Systemen, die Fairness, Transparenz, Verantwortlichkeit und die Achtung der Menschenrechte in den Vordergrund stellen. Sie stellt sicher, dass KI-Technologien verantwortungsbewusst eingesetzt werden, ohne Schaden oder Diskriminierung zu verursachen. Zudem fördert sie die Entscheidungsfindung, die der Gesellschaft nutzen und gleichzeitig die Privatsphäre sowie die Vielfalt schützen. In der Fertigung sorgt ethische KI dafür, dass Automatisierung und KI-gesteuerte Prozesse zu einer sichereren und effizienteren Produktion beitragen, während gleichzeitig Verzerrungen minimiert und Inklusion gefördert werden.
Erklärbare KI (XAI): KI-Systeme, die entwickelt wurden, um ihren Entscheidungsfindungsprozess zu klären, damit Bediener Vertrauen haben und verstehen können, wie Automatisierungstechnologien die Produktion beeinflussen. XAI hilft Herstellern dabei, potenzielle Probleme zu erkennen, die Effizienz zu verbessern und die Verantwortlichkeit in kritischen Prozessen aufrechtzuerhalten, indem es Transparenz darüber schafft, wie KI-Modelle zu ihren Schlussfolgerungen gelangen. Dies fördert das Vertrauen in Automatisierungssysteme und gewährleistet zuverlässigere und fundiertere Analysen.
Föderiertes Lernen: Eine Trainingstechnik für maschinelle Lernmodelle auf dezentralen Daten, wobei die Daten auf mehrere Geräte oder Knoten (wie Smartphones, IoT-Geräte, Edge-Geräte usw.) verteilt sind. Anstatt die Daten zu zentralisieren und das Modell an einem einzigen Ort zu trainieren, wird das Modell lokal auf jedem Gerät trainiert, wobei die Aktualisierungen aggregiert und mit einem zentralen Server geteilt werden.
Sichtfeld: Die gesamte Bildgröße oder der Abdeckungsbereich, den eine Kamera unterstützt.
Suchmuster: Auch als „Lokalisierer“ oder „L“-Muster bekannt; es verbindet die linke und die untere Zeile eines 2D-Codes und unterstützt das Lesegerät bei der Lokalisierung und Ausrichtung des maschinenlesbaren Codes.
Beschädigung des festen Musters: Fehler bei einem Suchmuster, Taktmuster oder einer Ruhezone des Codes.
Generative KI: Ein Teilbereich der KI, der sich auf die Erstellung neuer Inhalte wie Texte, Bilder, Musik, Audio- und Videodateien konzentriert, indem Muster aus vorhandenen Daten gelernt werden. Diese Modelle verwenden Techniken wie Deep Learning und neuronale Netzwerke, um auf Basis der Daten, mit denen sie trainiert wurden, originale Ergebnisse zu generieren. Anders als bei der industriellen KI, die häufig für Klassifizierungen oder Vorhersagen eingesetzt wird, liegt der Fokus bei generativer KI auf der Erstellung neuartiger, kreativer Inhalte, die von Menschen geschaffene Inhalte nachahmen können.
Gradientenverfahren: Ein grundlegender Optimierungsalgorithmus, der beim maschinellen Lernen verwendet wird, um die Kostenfunktion durch Anpassung der Modellparameter zu minimieren. Es berechnet den Gradienten oder die Steigung der Kostenfunktion und bewegt sich in die Richtung, die den Fehler reduziert, um schließlich zur besten Lösung zu konvergieren.
Gitterungleichmäßigkeiten: Misst die größte Abweichung vom Codegitter oder wie sehr die x- und y-Achse vom 90-Grad-Winkel abweichen.
Global Standards One (GS1): Entwickelt die weltweiten Standards für die Geschäftskommunikation, vor allem den Barcode.
Globaler Schwellenwert: Der entscheidende Punkt auf einer von dunkel nach hell verlaufenden Skala, der festlegt, ob eine Zelle eher hell oder dunkel ist.
Bilderkennung: Verwendung der KI zur Analyse des Inhalts eines digitalen Bildes. Bilderkennungsalgorithmen durchsuchen Millionen von Pixeln und wenden Edge Learning oder Deep Learning an, um zwischen Menschen, Orten und Dingen zu unterscheiden. Diese Technologien ermöglichen das Scannen von Barcodes und automatisierte Prüfungen, welche die Produktivität eines automatisierten Werks deutlich verbessern können. Siehe auch: industrielle Bildverarbeitung.
Inline-Barcode-Verifier: ISO-konformes Gerät, das an einer fixen Position an einer Produktionslinie installiert ist und zur automatischen Bewertung der Qualität eines Barcodes verwendet wird.
Internationale Elektrotechnische Kommission (IEC): Die Organisation, die die internationalen Normen für alle Bereiche der Elektrotechnologie festlegt und hinsichtlich einiger Qualitätsstandards mit der Internationalen Organisation für Normung (ISO) zusammenarbeitet.
Internationale Organisation für Standardisierung (ISO): Ein Normungsgremium, das sich aus Vertretern verschiedener nationaler Normungsorganisationen zusammensetzt. Es gibt hunderte ISO-Standards, von denen sich einige auf Barcodes beziehen – wie die Daten in einen Barcode eingegeben werden, wie er dekodiert wird, wie die Größe des Barcodes gemessen wird uvm. Es gibt drei ISO-Standards, die sich auf die Qualität beziehen. ISO/IEC 15416 für 1D-Barcodes, ISO/IEC 15415 für etikettenbasierte 2D-Barcodes und ISO/IEC TR 29158 für 2D DPM-Codes.
Internet der Dinge (IoT): Ein mit dem Internet verbundenes Netzwerk aus Sensoren zur Erfassung von Echtzeitinformationen von Maschinen und menschlichem Verhalten. Zu den Geräten zählen Smartphones, tragbare Geräte, Kameras, Verkehrsüberwachungssysteme und Sensoren in Maschinen und Produktionslinien. IoT-Sensoren generieren die enormen Datenmengen, die für maschinelles Lernen erforderlich sind.
ISO/IEC 15416: Barcode-Verifizierungsstandard für 1D-Barcodes. Diese Norm schreibt vor, dass 10 einzelne Scanlinien über einen Code hinweg erfasst und jeder Linie auf Basis des für diese Linie am niedrigsten eingestuften Parameters einer Klasse zugeordnet werden muss. Die endgültige Klasse wird aus dem Durchschnitt aller einzelnen Scanlinien-Klassen gebildet.
ISO/IEC 15415: Barcode-Verifizierungsstandard für etikettenbasierte 2D-Codes. Dieser Standard bewertet nach acht verschiedenen Bild- und Daten-bezogenen Parametern. Als Gesamtklasse des Codes gilt die niedrigste Einzelklasse.
ISO/IEC TR 29158: Barcode-Verifizierungsstandard für DPM-Codes (Direct Part Mark). Dieser Standard ist eine Erweiterung der Bewertungsmethode für die Symbolqualität, die in der Norm ISO/IEC 15415 festgelegt ist. Darüber hinaus legt er alternative Beleuchtungsbedingungen, einige neue Parameter, Änderungen an der Messung, die Bewertung bestimmter Parameter und den Bericht der Klassifikationsergebnisse fest.
Große Sprachmodelle (LLMs): Fortgeschrittene maschinelle Lernmodelle, die anhand umfangreicher Textdaten trainiert wurden, um die menschliche Sprache mit hoher Kompetenz zu verstehen, zu generieren und zu manipulieren. Mithilfe von Deep Learning und neuronalen Netzwerken prognostizieren und generieren sie Texte, die natürliche Sprachmuster nachahmen, was die Automatisierung von Aufgaben wie Übersetzung, Zusammenfassung und Inhaltserstellung ermöglicht. LLMs wie GPT von OpenAI verbessern Anwendungen zur Verarbeitung natürlicher Sprache und fördern so Effizienz und Innovation in der Fertigung und darüber hinaus.
Lasermarkierung: Eine Direct Part Marking-Methode, bei der das Material mit einem Laserstrahl markiert wird, indem die Objektoberfläche graviert, entfernt, verfärbt, geglüht und geschäumt wird.
Zeilenscan: Wird in kontinuierlichen Prüfanwendungen, beispielsweise bei der Fertigung von Bahnen, verwendet. Während das Material den Scanbereich passiert, nimmt er ein breites, aber sehr dünnes Bild auf. Verwenden Sie Software, um das Bild Zeile für Zeile zu rekonstruieren. In diesen Anwendungen sind sie schneller als Standard-2D-Kameras.
Maschinelles Lernen: Rechenprozesse, die ohne menschliche Programmierung Ergebnisse verbessern können. Maschinelle Lernalgorithmen trainieren einen Computer im Hinblick darauf, viele Millionen Male nach Erfolg zu suchen und Fehler zu vermeiden, um Lernergebnisse hervorzubringen. Die Bilderkennung analysiert zum Beispiel Millionen von Bildern, um zwischen verschiedenen Objekten in einem digitalen Bild zu unterscheiden. Siehe auch: Trainingsdaten.
Bildverarbeitung: Computergestützte Bildverarbeitung wird in industriellen Umgebungen unter Verwendung von Kameras, Sensoren und Software eingesetzt, um Produkte in Fertigungslinien zu prüfen, zu messen und Entscheidungen zu treffen. KI verbessert die traditionelle regelbasierte Bildverarbeitung, indem sie eine bildbasierte Analyse ermöglicht, bei der Systeme Bilder mit Referenzdatenbanken vergleichen, um Fehler oder Anomalien zu identifizieren. Dieser Prozess automatisiert komplexe visuelle Prüfungen, verbessert die Produktqualität, reduziert Fehler und senkt Kosten. Zwei führende KI-Technologien – Edge Learning und Deep Learning tragen dazu bei, die Automatisierung hochvariabler Aufgaben weiter zu vereinfachen, die zu kompliziert und zeitaufwändig sind, um sie mit regelbasierten Algorithmen zu programmieren.
Bildverarbeitungssysteme: Eine Lösung, die es Industriemaschinen ermöglicht, „zu sehen“. Mithilfe von Kameras und Bildverarbeitungssoftware erfassen und analysieren diese Systeme zweidimensionale Bilder, um Aufgaben in der Produktion wie Prüfung, Messung und Identifizierung durchzuführen.
MIL: Ein Tausendstel Zoll (0,001”).
Mindest-Reflexion: Dieser Parameter prüft an einem 1D-Barcode, ob die Striche des Codes dunkel genug sind, um das erforderliche Verhältnis zu dem von den Zwischenräumen reflektierten Licht zu erzielen. Bei DPM-Codes misst er die Helligkeit des Originalbilds. Die Norm ISO/IEC TR 29158 erfordert von der Verifizierungssoftware, dass sie ein Bild vor der Durchführung des Verifizierungsprozesses automatisch aufhellt. Weist das Symbol vor der Anpassung einen Helligkeit von weniger als 5 % auf, wird es fehlschlagen.
Min. x-Abmessung: Bezieht sich auf die Beschränkung der Kameraauflösung eines Barcode-Verifiers. Bei der Auswahl eines Verifiers muss die Mindest-x-Abmessung kleiner als die Größe des kleinsten Strichs oder Moduls im kleinsten gedruckten oder markierten Code sein.
Modulation: Die Einstufung basiert auf dem Grad der Variabilität des Reflexionsvermögens der Module. Ein mehrstufiges Verfahren wird verwendet, um die Klasse zu bestimmen.
Modulare Bildverarbeitungstunnel: Flexible Scan-Tunnel zur Steigerung der Geschwindigkeit und Effizienz in Logistikprozessen – wie Sortierung, Wareneingang und Warenausgangs-Logistik. Sie bieten 1- bis 6-seitiges Barcode-Lesen, sind für viele Geschwindigkeiten und Verpackungsabstände skalierbar und verfügen über bildbasierte DataMan-Barcode-Lesegeräte mit zuverlässigen Leseraten und Dekodierung gemischter Symbologien.
Multimodale KI: KI-Systeme, die mehrere Datentypen wie Text, Bilder, Audio und Video gleichzeitig verarbeiten und integrieren, um genauere und kontextbezogene Erkenntnisse zu gewinnen. Durch die Kombination dieser Eingaben werden Anwendungen wie automatische Inspektionen in der Fertigung verbessert, wo sowohl visuelle als auch textuelle Daten die Fehlererkennung verbessern. Diese Fähigkeit ermöglicht es der KI, komplexe Umgebungen effektiver zu interpretieren, wodurch Effizienz, Präzision und Anpassungsfähigkeit bei Industrie- und Automatisierungsaufgaben gesteigert werden.
Natürliche Sprachverarbeitung (NLP): Ein Teilbereich der KI, der es Computern ermöglicht, menschliche Sprache zu verstehen, zu interpretieren, zu generieren und darauf zu reagieren. Durch die Kombination von Linguistik und maschinellem Lernen unterstützt NLP Anwendungen wie Stimmungsanalyse, Sprachübersetzung und automatisierte Textverarbeitung. Durch sprachgesteuerte Steuerungssysteme verbessert es die Effizienz, da Bediener über Sprachbefehle mit Maschinen interagieren können. Außerdem automatisiert es die Analyse von Wartungsprotokollen und Berichten, findet Muster für die vorbeugende Wartung und reduziert Ausfallzeiten. NLP kann das Lieferkettenmanagement optimieren, indem es die Verarbeitung von Bestellungen und Versanddaten durchführt, was zu einer intelligenteren Entscheidungsfindung und einer verbesserten betrieblichen Effizienz führt.
Neuronale Netzwerke: Algorithmen und Datenknoten, die von Nervenbahnen des menschlichen Nervensystems inspiriert sind. Ein neuronales Netzwerk ahmt nach, wie Nervenzellen Informationen empfangen, sie verarbeiten und an andere Nerven senden. Tausende Rechenknoten in einem neuronalen Netzwerk finden Muster in Daten wie Bildern, Text und gesprochenen Worten. Diese Muster helfen dem Algorithmus bei der Entscheidung, was als nächstes zu tun ist und sich selbst beizubringen, mit jeder erfolgreichen Aufgabe besser zu werden.
Offline-Barcode-Verifier: ISO-konformes tragbares oder Desktop-Gerät, das für die manuelle Bewertung der Qualität eines Barcodes, oft mit Probenahme von Chargen verwendet wird.
Optische Zeichenerkennung (OCR): Umwandlung von gedruckten Zahlen, Buchstaben und Zeichen in sinnvolle digitale Daten. KI-Technologien sorgen für einen Quantensprung bei der OCR-Genauigkeit, indem sie das Scannen von verbogenen, zerrissenen, beschädigten und durch Plastikfolien verdeckten Etiketten ermöglichen.
Überanpassung: Wenn ein maschinelles Lernmodell übermäßig komplex ist und nicht nur die zugrunde liegenden Muster in den Daten lernt, sondern auch das Rauschen oder zufällige Schwankungen. Infolgedessen schneidet das Modell bei den Trainingsdaten sehr gut ab, bei neuen, unbekannten Daten jedoch schlecht, da es den Trainingssatz im Wesentlichen auswendig gelernt hat, statt ihn zu generalisieren. Dies beeinträchtigt die Fähigkeit des Modells, genaue Vorhersagen zu realen Daten zu treffen.
Anwesenheit/Abwesenheit: Der Prozess der bestimmt, ob ein bestimmtes Teil, Objekt oder Merkmal in einem Bild vorhanden ist oder fehlt. Verschiedene Software-Tools wie Pixelzählung, Mustererkennung und Anwesenheit/Abwesenheit von Kanten werden verwendet, um Teile anhand von Pixelanzahl, Mustererkennung oder linearen Kantenmerkmalen zu finden.
Ruhezonen: Eine Leerstelle entlang des Barcodes, die den Barcode von in der Nähe befindlichen Grafiken, Formen und Texturen trennt. Einzelne Barcode-Spezifikationen legen das Ausmaß der Ruhezone fest.
Reflexionsabstand: Modulation und Reflexionsabstand sind oft gleich und unterscheiden sich nur, wenn einige Module dazu bestimmt sind, die falsche Farbe zu haben und eine Fehlerkorrektur verwendet wird.
Regularisierung: Eine Technik des maschinellen Lernens, die dazu beiträgt, die Modellgenauigkeit zu verbessern, indem sie eine Überanpassung verhindert. Dies geschieht durch das Hinzufügen einer Komplexitätsangabe, wodurch einfachere Modelle gefördert werden, die bei neuen Daten eine bessere Leistung erzielen. Gängige Arten der Regularisierung sind Lasso, Ridge und Elastic Net, die jeweils dazu beitragen, zuverlässigere Modelle aufzubauen.
Reinforcement-Learning: Dies ist eine Art des maschinellen Lernens, bei der ein Agent durch Interaktion mit einer Umgebung lernt, Entscheidungen zu treffen, um kumulative Belohnungen zu maximieren. Der Agent, der ein Softwareprogramm oder ein physischer Roboter sein kann, erhält Feedback in Form von Belohnungen oder Strafen, die auf seinen Handlungen basieren. Durch Versuch und Irrtum verfeinert er seine Strategie und verbessert so im Laufe der Zeit seine Leistung. Dieser Ansatz ist besonders effektiv in Szenarien mit sequenzieller Entscheidungsfindung, wie in der Robotik, bei Spielen oder autonomen Fahrzeugen.
Robotergesteuerte Prozessautomatisierung (Robotic process automation, RPA): Geräte, Software und Prozesse, die die Produktion automatisieren und dadurch die Produktivität verbessern und Menschen von mühsamen, wiederkehrenden Aufgaben befreien. RPA-Geräte umfassen Roboterarme, die Aufgaben wie das Schweißen von Automobilteilen oder die Montage von Mikroprozessoren erledigen. Die RPA-Software kann Algorithmen und Anwendungen umfassen, die Prozesse automatisieren, die zuvor menschliche Eingaben erforderten.
Scan-Reflexionsprofil (SRP): Stellt die Änderungen der Reflexionswerte eines linearen Barcodes in der Breite dar. Dies bildet die Basis für die Messung und Klassifizierung der verwendeten Qualitätsparameter.
Stimmungsanalyse: Verfahren zur computergestützten Bestimmung, ob ein Text positiv, negativ oder neutral ist. Es klassifiziert Texte anhand der darin zum Ausdruck gebrachten Stimmung oder Mentalität und verwendet dabei verschiedene Algorithmen zur Verarbeitung natürlicher Sprache, wie regelbasierte, automatische und hybride Ansätze.
Symbolkontrast: Ein eingestufter Wert, der die Differenz zwischen dem maximalen Reflexionsvermögen im hellsten Abstand und dem minimalen Reflexionsvermögen im dunkelsten Strich eines Codes misst.
Strukturierte Daten: Ein Rahmenwerk, das Maschinen hilft, die Bedeutung von Daten zu verstehen und sie richtig zu verarbeiten. Strukturierte Daten werden in konsistenten Formaten gespeichert, ähnlich den Zeilen, Spalten und Zellen einer Tabellenkalkulation.
Unstrukturierte Daten: Ein weiteres Rahmenwerk, das Maschinen hilft, die Bedeutung von Daten zu verstehen und wie diese verarbeitet werden sollten. Unstrukturierte Daten sind wie der Text in einer Textverarbeitungsdatei oder Pixel in einem Video. KI-Algorithmen ermöglichen Fabrikautomationssystemen die Extraktion von Wissen aus beiden Datenarten.
Überwachtes Lernen: Eine Art des maschinellen Lernens, bei der das Modell anhand von gekennzeichneten Daten trainiert wird, wobei jede Eingabe der richtigen Ausgabe zugeordnet ist. Das Modell lernt, Eingaben den richtigen Ausgaben zuzuordnen, indem es während des Trainings Muster in den Daten findet. Nach dem Training kann das Modell anhand dieser gelernten Muster Vorhersagen zu neuen, unbekannten Daten treffen.
Schwarmintelligenz: Eine Sammlung von Algorithmen, die zusammenarbeiten, um Informationen hervorzubringen, welche die Fähigkeit des Einzelnen im Schwarm übersteigt. Das dem Verhalten von Bienen, Fischen, Vögeln und anderen sozialen Organismen nachempfundene Schwarmintelligenzsystem weist einzelnen maschinellen Lernalgorithmen bestimmte einfache Aufgaben zu. Wenn diesen Algorithmen die Zusammenarbeit ermöglicht wird, können sie weitaus ausgefeiltere Lernergebnisse hervorbringen als ein einzelner Algorithmus. Siehe auch: neuronale Netzwerke.
Tokenisierung: Grundlegender Prozess im Bereich der natürlichen Sprachverarbeitung (Natural Language Processing, NLP), bei dem ein Textstrom in kleinere Einheiten, sogenannte Token, zerlegt wird. Diese Token können von einzelnen Zeichen bis hin zu ganzen Wörtern oder Phrasen reichen, wodurch Maschinen die menschliche Sprache leichter analysieren und verstehen können.
Rückverfolgbarkeit: Fähigkeit, Historie, Verwendung oder Standort eines Artikels entlang der Lieferkette nachzuverfolgen und zurückzuverfolgen. Sie sammelt Informationen über den Herstellungsprozess, wie zum Beispiel, woher ein Produkt stammt, welche Materialien es enthält und wie es hergestellt wurde.
Trainings-Daten: Digitale Informationen, die das Lernen in einem KI-Algorithmus fördern. KI- und neuronale Netzwerkalgorithmen müssen den Unterschied zwischen guten und schlechten Daten kennen. Anhand von Lerndaten finden sie dies heraus. In einem automatisierten Werk liefern zum Beispiel digitale Bilder Lerndaten, mit deren Hilfe Algorithmen lernen, fehlerhafte Maschinenteile zu erkennen und sie von Endprodukten fernzuhalten.
Transfer Learning: Eine Technik des maschinellen Lernens, bei der ein für eine Aufgabe trainiertes Modell als Grundlage für eine zweite Aufgabe wiederverwendet wird. Dieser Ansatz funktioniert am besten, wenn sich die zweite Aufgabe auf die erste Aufgabe bezieht oder wenn die Daten für die zweite Aufgabe begrenzt sind. Durch die Verwendung der aus der ersten Aufgabe gelernten Merkmale kann sich das Modell effizienter an eine neue Aufgabe anpassen.
Unteranpassung: Wenn ein maschinelles Lernmodell zu einfach ist, um die zugrunde liegenden Muster in den Daten zu erfassen. Dies tritt typischerweise auf, wenn das Modell nicht komplex genug ist oder die verwendeten Merkmale zu begrenzt sind. Dies führt zu einer schlechten Leistung sowohl bei Trainingsdaten als auch bei unbekannten Daten und beeinträchtigt die Fähigkeit des Modells, zu verallgemeinern und genaue Vorhersagen zu treffen. Dies ist eines der Probleme, die beim Erstellen von KI-Modellen vermieden werden sollten, da es die Fähigkeit des Modells einschränkt, zu generalisieren und genaue Vorhersagen zu treffen.
Unbenutzte Fehlerkorrektur: Prozentualer Anteil der Fehlerkorrekturfähigkeit, der für weitere fehlerhafte Module zur Verfügung steht.
Nicht überwachtes Lernen: Ein Ansatz des maschinellen Lernens, bei dem das Modell anhand von Daten ohne gekennzeichnete Ergebnisse trainiert wird. Das Ziel besteht darin, dass das Modell selbstständig Muster, Beziehungen oder Strukturen innerhalb der Daten identifiziert. Es wird häufig für Clustering, die Erkennung von Anomalien oder das Aufdecken versteckter Erkenntnisse aus großen Datensätzen verwendet.
Validierung: Bestätigt, dass das Format der Barcode-Daten gemäß den Anwendungsanforderungen korrekt ist, damit ein Computersystem, das die Barcodedaten empfängt, die Bedeutung dieser Daten richtig interpretieren kann.
X-Dimension: Größe des schmalsten Strichs oder kleinsten Moduls in einem Barcode; normalerweise in MILS angegeben.