Sick nutzt Deep Learning, um die Funktionalität von Sensoren applikationsbezogen zu spezialisieren. Intelligente Kameras können durch mit großen Datenmengen trainierten, künstlichen neuronalen Netzen im industriellen Umfeld immer anspruchsvollere Anwendungen lösen. Die Integration von Deep Learning Algorithmen in Software zur Bildanalyse und -verarbeitung ermöglicht es, trainierte Objekte oder Merkmale automatisch zu erkennen, zu prüfen oder zu klassifizieren. Durch die intelligente funktionale Spezialisierung von Sensoren gelingt es u.a. in der Lebensmittel- oder der Holzverarbeitung, die Materialausnutzung zu erhöhen, der Ressourcenverschwendung Einhalt zu gebieten und die Qualität von Produkten und Prozessen zu verbessern. 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. Dank Deep Learning erbringen Sensoren dabei Intelligenzleistungen, die bislang dem Menschen vorbehalten waren – beispielsweise die Erkennung und Evaluierung von Strukturen oder Merkmalen, die vom Sensor im laufenden Betrieb in dieser Form zum ersten Mal erfasst werden. Damit ist Deep Learning als Teilbereich des maschinellen Lernens (Machine Learning) die wohl bedeutendste Zukunftstechnologie innerhalb des Themenfeldes der Künstlichen Intelligenz und zugleich auch langfristig Treiber von Industrie 4.0.
Strukturierter Deep-Learning- Workflow bringt Expertenwissen zusammen
Die meisten Deep-Learning-Projekte, mit denen sich Sick derzeit beschäftigt, kommen aus Fertigungsanwendungen oder der optischen Qualitätsinspektion. Um die verschiedenen Anwendungen effizient beurteilen zu können, hat das Unternehmen im Rahmen einer internen Deep-Learning-Initiative einen mehrstufigen Ablaufstandard entwickelt, in den sowohl die Deep-Learning-Experten von Sick als auch die Prozess- und Qualitätsexperten des Kunden maßgeblich involviert sind. Auch wenn moderne 2D- und 3D-Kameras immer schneller und leistungsfähiger werden, bilden doch klassische Bildverarbeitungsalgorithmen ihre heutigen Grenzen. Danach stellt sich aus Sicht des maschinellen Lernens 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 oder hinsichtlich bestimmter Kriterien i.O. oder n.i.O.? Kann die erfahrungs- oder wissensbasierte Beurteilungsfähigkeit 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 von vielen Bildern durch eine erfahrene Person die Trainingsdatenbasis für die späteren Deep Learning-Algorithmen in den Sensoren.
Grenzen der Sensoren mit Deep Learning ausweiten
Neuronale Netze bestehen aus Schichten. Dabei nimmt der Abstraktionsgrad, von konkreten Bilddetails, bis hin zu gröberen Konzepten in der Schichtabfolge zu. 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 Know-how von Sick, die Grenzen der Sensorik mit Deep Learning neu auszuloten. Im Ergebnis entstehen Sensoren, die Aufgaben übernehmen, die bisher nur von Menschen gelöst wurden.
Transfer von Deep-Learning-Funktionalitäten in den Sensor
Im Gegensatz zum Prozess der klassischen Algorithmen-Entwicklung, der hauptsächlich durch das händische Designen einer geeigneten Feature-Repräsentation geprägt ist, lernt ein neuronales Netz optimale Features für seine Aufgabe von allein. Es kann mit geeigneten Daten immer wieder nachtrainiert werden, um sich an neue Gegebenheiten anzupassen. Sowohl für den Aufbau des Trainingsdatensatzes durch das Erfassen von tausenden von Bildern und Beispielen als auch für das Training der neuronalen Netzwerke nutzt Sick als ausführende Einheit eine unabhängige, leistungsfähige Rechner- und IT-Basis. Das umfangreiche Rechnen der komplexen Operationen der Deep-Learning-Lösung für das Training erfolgt auf speziell dafür ausgestatteten, hausinternen Rechnern mit hoher GPU-Performance (Graphics Processing Unit). Die daraus generierten neuen Deep-Learning-Algorithmen werden lokal auf dem Sensor bereitgestellt und sind so unmittelbar und ausfallsicher beispielsweise auf einer intelligenten Kamera verfügbar.
