Suchen

QM/Predictive Maintenance

Deep Learning hält Einzug in der Bildverarbeitung

| Redakteur: Jürgen Schreier

Der weltweite Umsatz mit Deep-Learning-basierten Bildverarbeitungssystemen wird bis 2023 jährlich um rund rund 20 % auf 34 Mrd. Dollar wachsen, prognostiziert ABI Research. Der Grund: Diese Systeme sind flexibler als herkömmliche und bieten einen größeren Funktionsumfang.

Das Aufkommen der Deep-Learning-Technologien eröffnet der industriellen Bildverarbeitung ganz neue Perspektiven in Sachen Flexibilität, Produktivität und Kosteneffizienz.
Das Aufkommen der Deep-Learning-Technologien eröffnet der industriellen Bildverarbeitung ganz neue Perspektiven in Sachen Flexibilität, Produktivität und Kosteneffizienz.
( Bild: Pixabay / CC0 )

Konventionelle Bildverarbeitungssysteme sind in der Industrie nach wie vor beliebt und weit verbreitet, denn sie zeichnen sich durch Wiederholgenauigkeit, Zuverlässigkeit und Stabilität aus. Doch eröffnet das Aufkommen der Deep-Learning-Technologien auch der industriellen Bildverarbeitung ganz neue Perspektiven in Sachen Flexibilität, Produktivität und Kosteneffizienz. Folglich wird der Markt für Deep-Learning-basierte Machine Vision- Systeme für die industrielle Fertigung zwischen 2017 und 2023 um 20 % pro Jahr (CGAR) wachsen und 2023 ein Umsatzvolumen von 34 Mrd. Dollar erreichen. Das prognostiziert das US-amerikanische Marktforschungs- und Beratungsunternehmen ABI Research.

Open-Source-KI-Frameworks senken die Eintrittsschwelle

Hersteller sind ständig auf der Suche nach Möglichkeiten, um Produktivität und Workflow-Effizienz in der Fertigung zu optimieren. Konventionelle Bildverarbeitung ist zwar einfach zu implementieren, doch stößt sie zunehmend an ihre Grenzen. Aktuelle Lösungen, die in der Qualitätskontrolle, der Sicherheitsinspektion, der vorausschauenden Instandhaltung und der industriellen Überwachung weit verbreitet sind, basieren auf vorprogrammierten Regeln und Kriterien und bieten lediglich einen begrenzten Funktionsumfang.

Deep Learning-basierte Bildverarbeitung ist hingegen sehr flexibel, da sie mithilfe neuer Datensätze geschult werden kann und dadurch immer performanter wird. Hersteller können dadurch Updates und Upgrades schnell integrieren. "Das Aufkommen verschiedener Open-Source-KI-Frameworks wie TensorFlow, Caffe2 und MXNet senkt die Eintrittsbarriere für die Einführung von Deep Learning-basiertem Machine Vision", sagt Lian Jye Su, Principal Analyst bei ABI Research. "Diese KI-Frameworks können mit Hilfe der lokalen Rechenzentrumsinfrastruktur und einer Reihe von Softwarepaketen von KI-Unternehmen bereitgestellt werden. Mit der Deep-Learning basierten Bildverarbeitungstechnologie können Anwender ihre eigenen lernbasierten Bildverarbeitungssysteme entwickeln, ohne sich an an einzelne Hersteller binden zu müssen."

Unerwartete Anomalien mit KI erkennen

Zusätzlich zu den Kameradaten kann die Deep-Learning-basierte Bildverarbeitung auch Daten von verschiedenen Sensoren integrieren, darunter LiDAR-, Radar-, Ultraschall- und Magnetfeldsensoren. Der umfangreiche Datensatz ermöglicht tiefere Einblicke in andere Aspekte der Produktionsprozesse.

Im Vergleich zur herkömmlichen Bildverarbeitung, die nur Produktfehler und Qualitätsprobleme erkennt, die der Mensch definiert, können Deep-Learning-Algorithmen auch unerwartete Produktanomalien oder Fehler detektieren und den Fertigungsunternehmen neue wertvolle Erkenntnisse vermitteln.

Um eine Deep-Learning-basierte Bildverarbeitungstechnologie zu implementieren, muss ein Unternehmen mit einer Vielzahl von Anbietern zusammenzuarbeiten, darunter Anbieter von industriellen Cloud-Plattformen, Kamera- und Sensoranbietern sowie Anbieter von Public Clouds. Deep Learning-based Machine Vision erfordert eine robuste Cloud-Plattform, die eine zustandsorientierte Überwachung, Sensordatenerfassung und Analytik ermöglicht. Im Gegensatz zur herkömmlichen Bildverarbeitung, die auf zeilenweiser Codierung basiert, können Deep-Learning-basierte Bildverarbeitungsmodelle von Anwendern ohne große Programmiererfahrung eingesetzt werden, da sich diese Modelle auf der Grundlage der gesammelten Daten durch unüberwachtes Lernen verbessern.

Diese Ergebnisse stammen aus dem ABI-Research-Bericht "Deep Learning Based Machine Vision in Smart Manufacturing".

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45666953)

Unsplash, Alex King; Pixabay; MathWorks; ©Alexander - stock.adobe.com; gemeinfrei; Avnet Integrated; fischertechnik; Axians; Medisana/Oliver Eltinger