Deep Learning für Sensoren in der Holzverarbeitung

Trainieren an Bildern und Beispielen, Beurteilungsverfahren entwickeln, die Erfahrung des Menschen in den Sensor bringen, so auch bislang unbekannte Ausprägungen und Objekte sicher erkennen und dabei die Treffsicherheit permanent verbessern - mit den Technologien und Verfahren des Deep Learnings steht die industrielle Sensorik vor einem weitreichenden Funktionalitätssprung. Dies beweisen kürzlich gelöste Anwendungen bilderfassender Sensoren von Sick in der Holzverarbeitung.
 Sick hat Deep Learning in der Holzverarbeitung erstmals industriegerecht umgesetzt - und damit den Beweis erbracht, dass künstliche Intelligenz und Sensorintelligenz zusammenwachsen.
Sick hat Deep Learning in der Holzverarbeitung erstmals industriegerecht umgesetzt – und damit den Beweis erbracht, dass künstliche Intelligenz und Sensorintelligenz zusammenwachsen.Bild: Sick AG

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.

 Eine in der Holzindustrie realisierte Deep-Learning-Anwendung wurde in großer Anzahl Bilder von roh geschnittenen Brettern mit Baumkanten die Lage der Jahresringe trainiert, so dass das Holz in der Maschine jetzt automatisch so positioniert wird, dass eine optimale Bearbeitung und Materialausnutzung gewährleistet ist.
Eine in der Holzindustrie realisierte Deep-Learning-Anwendung wurde in großer Anzahl Bilder von roh geschnittenen Brettern mit Baumkanten die Lage der Jahresringe trainiert, so dass das Holz in der Maschine jetzt automatisch so positioniert wird, dass eine optimale Bearbeitung und Materialausnutzung gewährleistet ist.Bild: Sick AG

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.

Seiten: 1 2Auf einer Seite lesen

Das könnte Sie auch Interessieren

Anzeige

Bild: KD Busch/Compamedia
Bild: KD Busch/Compamedia
Flex Top-Innovator 2022

Flex Top-Innovator 2022

Ehrung auf dem Deutschen Mittelstands-Summit: Ranga Yogeshwar würdigt Flex-Elektrowerkzeuge aus Steinheim anlässlich ihres Erfolges beim Innovationswettbewerb TOP 100. Die Preisverleihung im Rahmen des Summit hat am Freitagabend, 24. Juni, in Frankfurt am Main für alle Mittelständler stattgefunden, die am Jahresanfang mit dem TOP 100-Siegel ausgezeichnet worden sind.

Bild: VDMA e.V.
Bild: VDMA e.V.
„Kurzarbeit braucht keine Sonderregeln mehr!“

„Kurzarbeit braucht keine Sonderregeln mehr!“

Zu den Plänen von Bundesarbeitsminister Hubertus Heil, die Sonderregelungen zur Kurzarbeit um weitere drei Monate zu verlängern, erklärt VDMA-Präsident Karl Haeusgen: „Die Kurzarbeit hat sich während der Corona-Krise erneut als wichtiges Instrument bewährt, um den Beschäftigten ihren Arbeitsplatz und den Unternehmen bewährte Mitarbeiterinnen und Mitarbeiter zu sichern.

Bild: DGM
Bild: DGM
Team 7 tritt Klimapakt bei

Team 7 tritt Klimapakt bei

Der Möbelhersteller Team 7 aus Ried im Innkreis im Westen Oberösterreichs hat sich dem ‚Klimapakt für die Möbelindustrie‘ der Deutschen Gütegemeinschaft Möbel (DGM) angeschlossen.

Bild: G. Kraft Maschinenbau GmbH
Bild: G. Kraft Maschinenbau GmbH
Digitales Auge der modernen Produktion

Digitales Auge der modernen Produktion

Ein wichtiger Faktor bei der Produktivitätssteigerung ist die technische Verfügbarkeit von Produktionsanlagen – das ist wohl für alle eine bekannte Weisheit. Wie aber steigern, wenn wir keine Daten haben auf deren Basis wir analysieren können, wo noch Steigerungspotential in der Produktion vorhanden ist. Diese Daten zu sammeln, aufzubereiten und so zu visualisieren, dass Zusammenhänge in der Fertigung transparenter werden, darauf zielt die neue IoT-Plattform ‚intelligent data analytics‘, kurz ‚ida‘, der G. Kraft Maschinenbau GmbH ab.

Bild: JustLaser GmbH
Bild: JustLaser GmbH
Alleinstellungsmerkmal mit Lichtgeschwindigkeit

Alleinstellungsmerkmal mit Lichtgeschwindigkeit

Spätestens seit 2021 ist jedem bewusst: Holz ist ein kostbarer Werkstoff. So muss in der Produktherstellung auf minimalen Ausschuss mit maximaler Gewinnerzielung geachtet werden. Gleichzeitig versuchen sich gerade kleine und mittelständische Unternehmen im holzverarbeitenden Handwerk und der Industrie vom Markt abzuheben und Alleinstellungsmerkmale zu generieren. Ein solches Merkmal kann die Laser-Bearbeitung des Holzes erzeugen.

Bild: TQ-Systems GmbH
Bild: TQ-Systems GmbH
Kollaborative Roboter

Kollaborative Roboter

Vollholzmöbel-Fertigung und modernste Roboter-Lösungen – im Handwerksbetrieb Holocher im malerischen Waltenhofen im Allgäu zeigt sich, wie sich diese beiden Elemente erfolgreich kombinieren lassen. Die kollaborative Robotik-Lösung von TQ übernimmt monotone, körperlich anstrengende Prozesse wie etwa das Leimen von Holzelementen. Die Mitarbeitenden können sich jetzt verstärkt um das Design, die Qualitätssicherung und die Feinarbeiten kümmern.

Bild: TH Rosenheim
Bild: TH Rosenheim
Mahlplatten für die 
richtige Fasergeometrie

Mahlplatten für die richtige Fasergeometrie

Holzfaserdämmstoffe gehören praktisch selbstverständlich zum Neubau und zur Sanierung von Gebäuden. Als Dämmstoffe kommen z.B. Buchenholzfasern in Frage. Zur Produktion von Holzfasern für die Dämmstoffherstellung stehen jetzt besonders ressourcen- und energieeffiziente Mahlscheiben zur Verfügung, die inzwischen auch industriell eingesetzt werden. Holzfasern lassen sich damit mit reduziertem elektrischen Energiebedarf herstellen und eignen sich besser für die Dämmstoffherstellung.

Anzeige

Anzeige