Grafisch zur Lösung

Deep Learning mit grafischer Programmierumgebung
Mit VisionPro Deep Learning 2.0 stellt Cognex seine neueste Deep-Learning-basierte Software zur Bildanalyse vor, die speziell für die Fabrikautomatisierung entwickelt wurde. Eine grafische Benutzeroberfläche vereinfacht das Trainieren des neuronalen Netzwerks.
Bild: Cognex Germany Inc.

Die Anwendung von Deep Learning-Methoden erforderte bislang ein solides Basiswissen in diesem Bereich. VisionPro Deep Learning verkleinert diese Einstiegshürde nun durch eine grafische Benutzeroberfläche und vereinfacht das Trainieren des neuronalen Netzwerks. Die Werkzeuge des Tools werden im Gegensatz zu traditionellen regelbasierten Bildverarbeitungsalgorithmen mit Bildern trainiert. Die grafische Benutzeroberfläche stellt eine einfache Umgebung zur Kontrolle und Entwicklung von Anwendungen zur Verfügung und reduziert den Aufwand für das Sammeln von Bildern, das Trainieren des neuronalen Netzwerks und dessen Test an verschiedenen Bildsätzen deutlich. Anwender*innen haben in VisionPro Deep Learning die Auswahl zwischen vier Tools zur Bildanalyse, die speziell für die Fabrikautomatisierung entwickelt wurden. Sie sind für Vision-Inspektionen in diesem Einsatzbereich optimiert und benötigen daher nur eine kleine Anzahl an Bildern, um ein schnelles Trainieren zu ermöglichen.

Robust identifizieren

Bild: Cognex Germany Inc.

Das Tool Blue Locate ist für Aufgaben prädestiniert, bei denen Teile mit unterschiedlichem Erscheinungsbild erkannt oder gezählt werden müssen. Durch die robuste Auslegung identifiziert das Tool die gesuchten Merkmale auch auf unruhigem Hintergrund, kontrastarmen Teilen und Teilen, die sich verbiegen, ihre Form verändern oder schlecht beleuchtet sind. Selbst bei Abweichungen der Perspektive, Ausrichtung, Helligkeit, des Glanzes oder der Farbe lokalisiert Blue Locate die von Musterbildern gelernten Teile zuverlässig. Aus diesen Gründen eignet es sich unter anderem für den Einsatz in der automatisierten Montageüberprüfung.

Defekte erkennen

Wenn kleinste Fehler trotz vieler verschiedener Hintergründe und Oberflächentexturen von Teilen sicher gefunden werden müssen, ist das Tool Red Analyze zur Defekterkennung und -segmentierung ideal. Durch das Antrainieren von Beispielen guter und schlechter Teile ist es in der Lage, normale Abweichungen in Bezug auf das Aussehen zu tolerieren, Fehler, Verunreinigungen und andere Mängel jedoch sicher zu erkennen. Das Tool kann auch verwendet werden, um variable Bereiche in einem Bild zu segmentieren. Beispiele dafür sind Schweißnähte, geklebte oder lackierte Stellen, deren Abdeckung später mit traditionellen Bildverarbeitungstools gemessen wird, oder Hintergrundmerkmale, die dynamisch aus dem Bild ausgeblendet werden, um andere Prüfungen zu vereinfachen.

Klassifizieren

Das Tool Green Classify ist ein robuster Klassifikator, der verschiedene Objekttypen unterscheiden, Fehlertypen identifizieren und sogar gute und schlechte Teile klassifizieren kann. Nach dem Anlernen von gelabelten Bildern identifiziert es Objekte anhand ihrer gemeinsamen Merkmale wie Farbe, Textur, Material, Verpackung und Fehlertyp und teilt sie in Klassen ein. Dabei toleriert das Tool natürliche Abweichungen innerhalb derselben Klasse und unterscheidet zuverlässig akzeptable Varianten aus verschiedenen Klassen.

Seiten: 1 2Auf einer Seite lesen

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige