Page 34

HOB_1119

34 Digitalisierte Fertigung   11.2019 t In einer Deep- Learning-Anwendung wurde die Lage der Jahresringe trainiert, sodass das Holz in der Maschine automatisch positioniert werden kann sowie eine optimierte Bearbeitung und Materialausnutzung gewährleistet sind Kunden involviert sind. Auch wenn moderne 2-D- und 3-D-Kameras immer schneller und leistungsfähiger werden, bilden klassische Bildverarbeitungsalgorithmen ihre heutigen Grenzen. Aus Sicht des maschinellen Lernens stellt sich danach nur die Frage der Eindeutigkeit von Kriterien: Können diese über eine große Anzahl von Bildern, Gut- und Schlechtbeispielen ausreichend eindeutig erkannt und interpretiert werden? Was ist aus Sicht der Kundenexperten gut oder schlecht, mit ja oder nein zu beurteilen, tolerabel oder nicht tolerabel oder hinsichtlich bestimmter Kriterien in Ordnung oder nicht in Ordnung? Kann die erfahrungs- oder wissensbasierte Urteilsfähigkeit eines Menschen überhaupt als Intelligenzleistung durch den Sensor erbracht werden? Werden diese Fragen durch den jeweiligen Anwendungstechniker grundsätzlich positiv beurteilt, schafft die Erfassung und Annotation vieler Bilder durch eine erfahrene Person die Trainingsdatenbasis für die späteren Deep-Learning- Algorithmen in den Sensoren. Neuronale Netze bestehen aus Schichten. Der Abstraktionsgrad steigt dabei von konkreten Bilddetails bis hin zu gröberen Konzepten in der Schichtabfolge. Dadurch wird auch erreicht, dass das Netzwerk bisher nie gesehene Daten mit hoher Wahrscheinlichkeit richtig verarbeiten kann. Ein neuronales Netzwerk lernt, mit geeigneten Trainingsdaten eine vorgegebene Aufgabe zu lösen. Generell stehen für Deep-Learning-Entwicklung offene Frameworks zur Verfügung, um neuronale Netze zu definieren und zu trainieren. Diese Frameworks wurden ohne konkreten Bezug auf Sensorik oder Bildverarbeitung entwickelt. Hier genau beginnt das Knowhow von Sick, die Grenzen der Sensorik mit Deep Learning neu auszuloten. Im Ergebnis entstehen Sensoren, die Aufgaben übernehmen, die bisher nur der Mensch löste. Deep-Learning-Funktionalitäten transferieren Im Gegensatz zum Prozess der klassischen Algorithmenentwicklung, der vor allem durch das händische Designen einer geeigneten Featurerepräsentation geprägt ist, lernt ein neuronales Netz optimale Features für seine Aufgabe von allein. Mit geeigneten Daten kann es immer wieder nachtrainiert werden, um sich an neue Gegebenheiten anzupassen. Sowohl für den Aufbau des Trainingsdatensatzes durch das Erfassen tausender Bilder und Beispiele als auch für das p In der Logistikautomation können Deep-Learning-Kameras unter Auswertung der eingelernten Bildbasis Sorterschalen auf das Vorhandensein flacher Versandtaschen und ihre tatsächliche Belegung prüfen oder auf einem Band neben- oder übereinanderliegende Objekte als einzelne Einheiten erkennen


HOB_1119
To see the actual publication please follow the link above