Erkennung von Anomalien
In der Praxis läuft der Pflege- und Inspektionsprozess wie folgt ab: Zunächst fährt der mobile Roboter durch den Käsekeller und bearbeitet alle Käselaibe brettweise. Brettweise bedeutet in diesem Zusammenhang, dass immer drei Käselaibe, die sich jeweils auf einem Brett befinden, gemeinsam gepflegt werden und ein Bild aufgenommen wird. Das Bild wird nach einer Vorverarbeitung an den zentralen Rechner des Kunden geschickt, wo es mittels Deep Learning Klassifikation auf Basis der bestehenden Daten ausgewertet wird. Zusätzlich zu den Bildern werden die Positionsdaten des Käselaibs im Käselager mitgesendet. Die zentrale Anwendung empfängt die vorverarbeiteten Bilder und kann mithilfe der mitgesendeten Positionsdaten und der Lagerverwaltung den Käsetyp und zusätzlich die eindeutige Käse-ID bestimmen. Über die Lagerverwaltung kann der Anwender auf die aufgenommenen Bilder und die Auswertung der Käselaibe zugreifen.
Naturprodukte unterscheiden sich
Die Entwicklung der industriellen Bildverarbeitung war nicht trivial, da verschiedene Aufgaben gelöst werden mussten, die technisch sehr anspruchsvoll waren. Eine Herausforderung betraf die Käselaibe. „Da es sich um ein Naturprodukt handelt, sieht jeder Käselaib unterschiedlich aus. Außerdem verändert sich das Aussehen durch den Reifeprozess signifikant. Aufgrund der verschiedenen Käsetypen, Reifegrade und Fehlerfälle stoßen regelbasierte Bildverarbeitungsmethoden hier an ihre Grenzen. Eine Lösung dafür stellt die künstliche Intelligenz dar. „Durch das Training des Deep-Learning-Netzes anhand von Bilddaten ist Halcon in der Lage, Anomalien mittels Klassifizierung zuverlässig zu erkennen“, sagt Felix Podhorsky, Business Development Manager bei MVTec Software. Eine typische Bildverarbeitungsapplikation ist so aufgebaut, dass mehrere Methoden zum Einsatz kommen und sich gegenseitig ergänzen. Eine Methode kommt selten allein. Dazu Podhorsky: „Egal um welche Anwendung es sich handelt, in der Regel müssen Bildverarbeitungsmethoden zunächst den relevanten Bereich des Bildes finden. Erst dann können weitere Methoden das Bild etwa auf Anomalien oder Vollständigkeit testen.“ Halcon umfasse über 2000 verschiedene Operatoren, die im Zusammenspiel so ziemlich jede Machine-Vision-Anwendung lösen könnten, sagt der MVTec-Mitarbeiter.
Wie es funktioniert
In der Applikation im Allgäu findet zunächst die Vorverarbeitung statt. Dabei werden die Bilder innerhalb der Software mit verschiedenen regelbasierten Features so vorbereitet, dass die Deep-Learning-Methode Klassifizierung im Anschluss die Qualität prüfen kann. Für die Vorbereitung kommen Matching-Verfahren zum Einsatz, um zunächst die drei Käselaibe im Bild zu finden. Anschließend werden die Bereiche zugeschnitten und der Hintergrund schwarz gefärbt. Somit hat jedes Bild dieselbe Größe und denselben Hintergrund. Diese Vorverarbeitung findet noch auf dem Pflegeroboter statt, der alle vorverarbeiteten Bilder anschließend per HTTP-Request an einen zentralen Rechner beim Produzenten schickt. Zusätzlich zu den Bildern werden die Positionsdaten des Käselaibs im Käselager mitgesendet. Die Anwendung empfängt die vorverarbeiteten Bilder und kann mithilfe der mitgesendeten Positionsdaten und der Lagerverwaltung den Käsetyp und die dazugehörende ID bestimmen.
