Kombination von maschinellem Sehen und neuronalen Netzen im IIoT

Die Großhirnrinde ist der Teil des Gehirns, der Bilder verarbeitet. Der Mensch hat im Vergleich zu anderen Säugetieren die größte Großhirnrinde. Diese überlegene Vision ist eine der evolutionären Eigenschaften, die dem Menschen einen Vorteil gegenüber anderen Tieren verschafften. Evolutionsbiologen versuchen, das Geheimnis hinter dieser Eigenschaft zu lüften, und Technologieforscher versuchen, sie zu replizieren.

Abbildung 1. Ein Bildverarbeitungssystem in einer Fabrik.

Der Mensch lernt durch Erfahrung und Übung. Maschinelles Lernen ist der Bereich der künstlichen Intelligenz (KI), der versucht, Computer nachzuahmen, wie menschliche Gehirne lernen. Bilderkennung und -verarbeitung ist ein wichtiger Teilbereich des Feldes. Mithilfe der Bilderkennung können Ingenieure Objekte ohne direkte menschliche Interaktion klassifizieren.

Neurale Netze und Machine Vision

Einfach ausgedrückt ist maschinelles Sehen in Verbindung mit Algorithmen oder neuronalen Netzen die Fähigkeit von Computern, Daten zu sehen und darauf zu reagieren. Bilder werden der Verarbeitungseinheit des Computers in digitalem Format zugeführt, um sie zu analysieren, zu interpretieren und darauf basierend zu handeln. Vor dieser Einrichtung müssen wir das System zuerst trainieren, um die Daten zu lernen.

Training der neuronalen Netze in Machine Vision

Neuronale Netze sind ein fortgeschrittener Bereich des maschinellen Lernens. Sie werden häufig für die Bilderkennung und andere Aufgaben verwendet, die eine komplexe Kognition erfordern. Der erste Schritt zum Aufbau eines künstlichen neuronalen Netzes besteht darin, die Computeralgorithmen mit Bildern zu trainieren.

Abbildung 2. Ein Beispiel für Trainingsalgorithmen mit Bildern. Bild mit freundlicher Genehmigung von Teledyne DALSA

Der Mensch hat die Aufgabe, die Eingabebilder zu beschriften, auf deren Grundlage die Algorithmen lernen. Der Algorithmus lernt von selbst, die Objekte zu identifizieren, nachdem er an einem großen beschrifteten Datensatz trainiert wurde. Data Scientists können die Modelle neigen, um die Lerngeschwindigkeit und andere Parameter zu verbessern. Ein vollständiges Modell mit gleichbleibender Genauigkeit kann für kommerzielle Anwendungen bereitgestellt werden.

Aber woher bekommen wir die Daten, um das Modell zu trainieren?

Datenquellen für Machine Vision

Machine Vision in Verbindung mit neuronalen Netzen ist komplexer als das bloße Identifizieren von Bildern. Es ist auch räumliche Kognition, 3D (dreidimensionale) Objekte zu erkennen. Die Quelle für Machine-Vision-Programme können Fotos, Videos oder sogar Live-Kamera-Feeds sein. In solchen Fällen sammelt eine Kamera die dem Algorithmus zugeführten Bilder oder Videos.

Es gibt Machine-Vision-Algorithmen, die andere Eingabeformen verwenden. Radar und LiDAR können die Objekte um den Sensor herum verfolgen. Die Ausgabe solcher Geräte sind keine Bilder, sondern Koordinaten der verschiedenen Objekte um sie herum. Machine-Vision-Algorithmen können diese Informationen auch verarbeiten, um ein räumliches Verständnis zu gewinnen. Eine Kombination aus LiDAR-Daten und Bildern einer Kamera kann auch als Eingabe für einen Machine-Vision-Algorithmus verwendet werden.

Machine Vision hat ein breites Spektrum industrieller und nicht-industrieller Anwendungen. Die Anwendungen reichen von der Identifizierung und Navigation bis hin zum Sehen von Blinden.

Bildverarbeitung in der Industrie

Machine Vision oder Computer Vision hat viele Anwendungen in der Industrie. Da es sich noch im Anfangsstadium befindet, werden jeden Tag mehr industrielle Anwendungen identifiziert.

Abbildung 3. Ein Bildverarbeitungssystem zur Inspektion von Objekten in einer Fabrik.

Einige der bekannten Anwendungen sind:

• Produkte sortieren
• Produkte auswählen
• Automatisierte Inspektion
• Optische Zeichenerkennung
• Fehler erkennen
• Farben erkennen
• Bewegungserkennung
• Muster erkennen
• Qualitätssicherung
• Geführte Bewegung (automatisierte Transportfahrzeuge oder AGVs)
• Selbstfahrende Autos
• Barcodes und QR-Codes lesen
• Dunkle Fabriken

Mit zunehmender Nutzung der Bildverarbeitung sinken die Kosten für die Implementierung solcher Lösungen und neue Anwendungen werden identifiziert. Machine Vision kann beispielsweise in Verbindung mit IIoT verwendet werden.

Sicherheit

Menschliche Sicherheit wird verwendet, um das Gelände verschiedener Institutionen zu patrouillieren. Ein häufiges Problem ist jedoch die Ermüdung, die ein solches Personal erfährt, wenn es seine Aufgaben zu ungeraden Zeiten ausführt. Machine Vision mit IIoT kann helfen.

Die Videoüberwachung (CCTV) der gesicherten Räumlichkeiten kann mit maschinellen Bildverarbeitungsalgorithmen verbunden werden. Der Algorithmus überwacht den Feed ständig auf anomale Aktivitäten. Sobald Eindringlinge oder andere anomale Aktivitäten erkannt werden, kann das System einen Alarm auslösen, der durch menschliche Wachen überprüft wird.

Es kann auch automatisch Sicherheitsprotokolle ausführen, wie die Elektrifizierung des Zauns, das Aufstellen von Spitzen an Ausstiegspunkten, die Alarmierung der Polizei usw. Die gesamte Kommunikation erfolgt über das Netzwerk zwischen internetfähigen Geräten, um jedes Protokoll auszuführen.

Chemieanlage

Chemieanlagen sind gefährlich für menschliche Mitarbeiter. Es wäre von Vorteil, wenn die Prozesse automatisiert werden könnten. Nehmen wir zum Beispiel einen Prozess in einer Chemiefabrik, bei dem das Material zum Kochen gebracht werden muss, bevor die Heizung abgeschaltet wird. Ohne maschinelles Sehen muss ein menschlicher Techniker warten und den Prozess beobachten.

Abbildung 4. Ein Abluftkamin und ein Kessel einer Chemiefabrik.

Mit maschinellem Sehen kann sich eine Kamera auf die Lösung konzentrieren, und ein neuronales Netzwerk, das darauf trainiert ist, Furunkel zu erkennen, kann erkennen, ob das Gemisch zu kochen begonnen hat. Sobald der Algorithmus das Kochen in der Lösung erkennt, kann er ein Flag auslösen. Diese wird über das Netzwerk an das zentrale Computersystem gesendet. Das System ist so konzipiert, dass der Empfang dieses Signals den Mechanismus zum Abschalten der Heizung auslöst.

In einem solchen Szenario muss kein Mensch in der Anlage sein und die chemischen Dämpfe einatmen, um den Prozess zu überwachen. Machine Vision und IIoT können den kompletten Prozess automatisieren. In diesem speziellen Beispiel können auch Infrarot- oder andere Temperatursensoren verwendet werden, um ein siedendes Gemisch zu erkennen.

Dunkle Fabriken

Dark Factories als Konzept sind die Erweiterung der Nutzung von Machine Vision, Automatisierung und IIoT-Funktionen in vollem Umfang. Eine dunkle Fabrik ist eine Produktionsstätte, in der kein menschlicher Bediener erforderlich ist, um den Fabrikbetrieb zu betreiben oder zu überwachen. Im Wesentlichen muss die Fabrik keine Beleuchtung haben und kann daher im Dunkeln betrieben werden.

Von der Rohstoffanlieferung bis zur Verpackung wird das Endprodukt vollständig automatisiert. Die Rohmaterialien werden mit Gabelstaplern und Roboterarmen kommissioniert und sortiert, die durch maschinelles Sehen unterstützt werden. Roboterhände, die verschiedene Teile zusammenbauen, verwenden maschinelles Sehen, um zu erkennen, wo sich jedes Teil befindet. AGVs, die maschinelles Sehen zur Navigation verwenden, übernehmen den Materialtransport innerhalb der Fabrik.

Fertige Produkte werden mit Robotern in Verbindung mit maschineller Bildverarbeitung inspiziert und getestet. Auch beim Sortieren fehlerhafter Produkte und beim Verpacken von Fertigprodukten wird maschinelles Sehen verwendet.

Anwendungen wie dunkle Fabriken und chemische Prozesse, um nur einige zu nennen, können von maschinellem Sehen profitieren. Seine Algorithmen können die Sicherheit von Personal und Prozessen gewährleisten und die Effizienz steigern. Für welche Arten von Anwendungen verwenden Sie maschinelles Sehen in Ihrer Fertigung?