Wie treffen Bildverarbeitungssysteme Entscheidungen auf der Grundlage dessen, was sie sehen?
Auch wenn regelbasierte Bildverarbeitung immer noch die vorherrschende Technologie ist, sind verschiedene Arten von KI-gestütztem maschinellem Lernen fähig und flexibel genug geworden, um Aufgaben in vielen Anwendungen zu übernehmen.
Oftmals kann eine Kombination aus regelbasiertem und KI-gestütztem maschinellem Lernen die effizienteste Lösung bieten.
Regelbasierte Systeme
Bei der herkömmlichen regelbasierten Bildverarbeitung werden spezifische Wenn-Dann-Regeln verwendet, um Entscheidungen über ein Bild zu treffen. „Wenn die Flasche mindestens bis zu dieser Höhe gefüllt ist, lassen Sie sie passieren.“ Die Regeln werden von Bildverarbeitungsingenieuren programmiert, die genau wissen, welche Kombination von Techniken am besten geeignet ist, um das gewünschte Ergebnis zu erzielen.
Die Regeln werden verwendet, um Programme zu erstellen, die bestimmte Aufgaben erledigen, wie z. B. die Erkennung der Kante zwischen hellen und dunklen Bereichen oder die Messung des Abstands zwischen zwei Punkten.
Diese Regeln können dann nacheinander auf ein Bild angewendet werden, um eine Vielzahl von anspruchsvollen Aufgaben zu erfüllen, was als „Verkettung von Tools“ bezeichnet wird. Sie eignen sich auch sehr gut für Hochgeschwindigkeits- und Hochpräzisionsprüfungen von Produkten oder Teilen, die vorhersehbar und konsistent sind.
Tiefes Lernen
Deep Learning nutzt KI zur Unterstützung von Bildverarbeitungssystemen, indem die Software anhand von Beispielen mit beschrifteten Bildern trainiert wird, bis sie selbständig Unterscheidungen treffen kann.
Dieses Training ahmt nach, wie Menschen lernen, und hilft dem System zu lernen, wie es genaue Entscheidungen treffen kann, ohne durch irrelevante Variationen verwirrt zu werden.
Die Anwender trainieren Deep-Learning-Systeme mit Hunderten von beschrifteten Bildern, z. B. einer Vielzahl möglicher Defekte in einem hergestellten Teil oder mehreren verschiedenen Baugruppen, die klassifiziert werden müssen.
Eine wesentliche Verbesserung gegenüber regelbasierten Systemen besteht darin, dass Deep-Learning-Systeme lernen, zwischen einer Vielzahl echter Defekte und lediglich kosmetischen Variationen zu unterscheiden, ohne dass ihnen jedes mögliche Ergebnis gezeigt werden muss – etwas, das bei regelbasierter Programmierung zeitaufwändig oder sogar unmöglich ist.
Im Gegensatz zu regelbasierten Systemen benötigen Deep Learning-Systeme keine erfahrenen Bildverarbeitungsprogrammierer oder Fachkenntnisse, um sie einzurichten. Sie brauchen jemanden, der sich mit den zu inspizierenden Produkten gut auskennt, um Hunderte von Bildern sowohl von fehlerhaften als auch von guten Komponenten zu liefern.
Deep Learning eignet sich hervorragend für die Verifizierung von Baugruppen, die Erkennung von Defekten und die Klassifizierung komplexer Teile, die unvorhersehbar variieren. Es liefert auch dann genaue Ergebnisse, wenn Teile reflektieren oder Bilder verzerrt sind.
Lernen am Rande
Edge Learning ist eine andere Art von KI, die für die Bedürfnisse der industriellen Automatisierung optimiert wurde. Es ist bereits darauf vorbereitet, die typischen Probleme der industriellen Automatisierung zu lösen.
Dank des Vortrainings kann ein Edge-Learning-System mit nur fünf Bildern auf ein spezifisches industrielles Prüfungsproblem trainiert werden, wodurch es noch einfacher und schneller als ein Deep-Learning-System eingesetzt werden kann.
Edge Learning ermöglicht es den Technikern in den Herstellungslinien, schnell und ohne spezielle Schulung eine optimierte Klassifizierungs- oder Fehlererkennungsfunktion in ihrer Linie zu implementieren. Da es keinen anspruchsvollen Prozessor benötigt, kann es schnell dort eingesetzt werden, wo es benötigt wird.
Die Vorteile des Edge Learning liegen in der Geschwindigkeit, der geringen Abhängigkeit von Computerressourcen, der Flexibilität und der Benutzerfreundlichkeit.
Vergleich von regelbasierten und KI-gesteuerten Systemen
Die Entscheidung zwischen regelbasierten, Deep Learning- und Edge Learning-Systemen hängt hauptsächlich von der Art der Anwendung ab, die Sie implementieren.
- Regelbasierte Vision-Tools sind bei einer Vielzahl von spezialisierten Aufgaben mit sehr konsistenten Zielen, wie Ortung, Messung und Orientierung, effektiv.
- Edge Learning zeichnet sich durch wiederholbare Aufgaben mit mäßig konsistenten Zielen aus.
- Deep Learning eignet sich hervorragend für die Suche nach komplexen Defekten oder die Analyse von Bildern mit erheblichen Abweichungen.