Demonstrator schwieriger Inspektionsaufgabe als Deep-Learning-Anwendung mit FPGA mit einer hohen Datenrate von über 220 MB

Demonstrator schwieriger Inspektionsaufgabe als Deep-Learning-Anwendung mit FPGA mit einer hohen Datenrate von über 220 MB Silicon Software

„Es wird extrem aufregend, zu sehen, wie die Austeller das Trendthema Deep Learning bespielen und mit etablierter Bildverarbeitung sowie Embedded Vision verknüpfen. Wir erwarten ein Feuerwerk an neuen Produkten und Lösungen, von denen viele noch vor zwei Jahren auf der letzten Vision nicht einmal angedacht waren“, erklärt Florian Niethammer von der Messe Stuttgart, Projektleiter der Vision.

Deep Learning-Systeme als ein Teilbereich von Machine Learning und Künstlicher Intelligenz haben einen grundlegend anderen technologischen Ansatz als die derzeit etablierte Bildverarbeitungstechnik: „Sie setzen neuronale Netze ein und ihr Name bezieht sich auf die meist hohe Anzahl verborgener Schichten im neuronalen Netzwerk“, erläutert Vision-Aussteller und CEO von Irida Labs, Vassilis Tsagaris. Systeme, die auf Deep Learning basieren zeichnen sich dadurch aus, „dass große Mengen an digitalen Bilddaten analysiert und damit Modelle von bestimmten, zu erkennenden Objekten trainiert werden. Mit Hilfe dieser Trainingsdaten lernt der Klassifikator dann, zwischen den eingegebenen Klassen zu unterscheiden“, ergänzt Dr. Olaf Munkelt, Geschäftsführer bei MVTec Software.

Flexible Entscheidungen als Vorteil

Screenshot der Deep Learning Machine Vision Inspektionssoftware SuaKIT v2.0 Function Image_Visual Debugger

Screenshot der Deep Learning Machine Vision Inspektionssoftware SuaKIT v2.0 Function Image_Visual Debugger Sualab

„Die Stärke von Deep Learning liegt darin, dass ein solcher Ansatz flexibler entscheiden kann als ein Satz vorgegebener Regeln in konventionellen Bildverarbeitungs-Systemen“, betont Volker Gimple, Gruppenleiter Bildverarbeitung bei Stemmer Imaging. Dr. Klaus-Henning Noffz, Geschäftsführer von Silicon Software, ergänzt: „Deep Learning punktet immer dann, wenn Prüfobjekte große Variationen aufweisen und schwer mathematisch modellierbar sind.“

Deep Learning kann somit überall dort eine Alternative sein, wo konventionelle Bildverarbeitungssysteme an ihre Grenzen stoßen: „Deren größte Herausforderungen sind ein sich veränderndes optisches Umfeld, die immer größere Produktvielfalt sowie die Komplexität des Bildes selbst“, sagt Hanjun Kim, Marketing Manager bei Sualab. “Auch in Bereichen, wo Bildverarbeitung bereits implementiert ist, kann der zusätzliche Einsatz von Deep Learning Genauigkeit und Geschwindigkeit des Prüfvorgangs drastisch beschleunigen.“ Der südkoreanische Softwarespezialist stellt auf der Vision 2018 zum ersten Mal aus und plant die Vorstellung seiner Deep Learning Machine Vision Inspektionssoftware ‘SuaKIT v2.0’.

Bereits vielfältige Anwendungen im Einsatz

Eingesetzt wird Deep Learning heute bereits in Anwendungen, wo Bildverarbeitung eine Klassifizierung des untersuchten Objekts vornimmt. Dr. Klaus-Henning Noffz beschreibt eine Anwendung aus dem Automobilbau: „Selbstlernende Algorithmen erkennen hier mit Hilfe von Deep Learning beispielsweise perfekt winzige Lackfehler, die mit bloßem Auge nicht sichtbar sind“.

Auch die Nahrungsmittel- und Getränkeindustrie, ein Anwendungsbereich, der auf der Vision unter anderem mit dem ‚Food & Beverage‘-Label in den letzten Jahren immer mehr Beachtung gefunden hat, profitiert von Deep-Learning-Technologien. „So können beispielsweise minderwertige Früchte und Gemüse präzise identifiziert und inspiziert werden, bevor sie verpackt oder weiterverarbeitet werden“, erläutert Dr. Olaf Munkelt. Dr. Christopher Scheubel, Head of IP & Business Development bei Framos, ein Vision-Aussteller der ersten Stunde, beschreibt eine Anwendung, bei der mit Deep Learning Gebinde für einen Lebensmitteleinzelhändler sortiert und klassifiziert werden.

Deepsense, ein weiterer Erstaussteller auf der Vision 2018, wird eine Lösung zur visuellen Qualitätskontrolle vorstellen, die sich ohne langwierige Programmierung sehr gut zur Inspektion gerade von Objekten mit komplexen Mustern wie etwa Holz oder Textilien eignet. Robert Bogucki, Chief Science Officer bei Deepsense, sieht darüber hinaus große zukünftige Anwendungschancen von Deep Learning im Bereich Healthcare.

Verdrängt oder ergänzt Deep Learning etablierte Systeme?

Embedded Vision System zum Erfassen und Zählen von Fahrzeugen und Personen basierend auf einem Region-based CNN (R-CNN Neadvance

Embedded Vision System zum Erfassen und Zählen von Fahrzeugen und Personen basierend auf einem Region-based CNN (R-CNN) Neadvance

Auch wenn bei der Anwendung von Deep Learning Herausforderungen bleiben, wie etwa die Ausführungszeiten und der Trainingsaufwand für die neuronalen Netze, ist man sich etwa bei Framos sicher, dass alle klassifizierenden Ansätze zum Beispiel bei der Qualitätsüberwachung oder beim Sortieren mittelfristig von Deep Learing dominiert werden. Auch Dr. Klaus-Henning Noffz ist überzeugt: „Mit dem Ansatz ‚trainieren statt programmieren‘ kann Deep Learning eine sehr hohe Verbreitung erzielen. So sind Klassifikationsaufgaben wesentlich einfacher zu lösen als mit den existierenden algorithmischen Methoden. Für viele weitere Aufgabestellungen qualifizieren sich neuronale Netze ganz besonders, wie etwa für reflektierende Oberflächen, schlecht ausgeleuchtete Umgebungen, bewegende Objekte, Robotik und 3D.“ Auch bei Neadvance, ebenfalls Erstausteller der Vision 2018, teilt man diese Überzeugung: „Anwendungsbereiche, bei denen Objekterkennung oder -klassifizierung das Primärziel sind, werden sich eindeutig von traditionellen Ansätzen hin zu Deep Learning bewegen, etwa bei Texturanalysen, Template Matching, OCR, Lagebestimmungen, Analyse von urbanen Szenen und Handschriftenerkennung.“

Nichtsdestotrotz kann eine Kombination mit klassischer Bildverarbeitung sinnvoll sein, um eine hundertprozentige Klassifizierung zu gewährleisten, bestätigt Vassilis Tsagaris, CEO von Irida Labs: „Es wird nicht lange dauern, bis wir mehr und mehr „hybride“ Systeme sehen werden, da oftmals neben Deep Learning eben auch Computer Vision-Algorithmen benötigt werden, die ihre Robustheit bereits unter Beweis gestellt haben.“  Volker Gimple ist ebenfalls überzeugt, dass viele Bereiche bleiben, in denen sich konventionelle Methoden behaupten können, weil diese ein entscheidendes Merkmal bieten, das Machine Learning-Ansätzen in der Regel fehlt: „Die Nachvollziehbarkeit von Entscheidungen und Fehlentscheidungen“.

Deep Learning auf Embedded Devices

Deep-Learning-Anwendungen lassen sich auch auf Embedded-Vision-Geräten ausführen. „Auf dem weit verbreiteten Embedded-Board NVIDIA Jetson TX2 läuft auch die Deep-Learning-Inferenz von MVTec Halcon“, bestätigt Dr. Olaf Munkelt. So entstünde gerade im dezentralen Computing-Ansatz von Industrie 4.0 auch vermehrt Bedarf an Embedded Vision mit Deep Learning-Lösungen, bei denen kleine Bildverarbeitungseinheiten oder intelligente Kameras anspruchsvolle Teilaufgaben übernehmen können. Silicon Software plant auf der Vision 2018 die Vorstellung seiner Deep-Learning-Lösung unter Visual Applets auf einem Field Programmable Gate Array (FPGA). Auch Irida Labs wird eine solche Verknüpfung der derzeitigen Megatrends Embedded Vision und Deep Learning auf der Vision 2018 präsentieren. Ihr DeepAPI-Framework ist eine Bibliothek zur Implementierung von Deep Learning an jedem Embedded-Gerät, das sich bei einer begrenzten Bilderzahl bereits zur Qualitätsprüfung eignet.

Die Unternehmen auf der Messe

MVTec: Halle 1, Stand 1E72

Stemmer Imaging: Halle 1, Stand 1E52 | SPS IPC Drives 2018: Halle 7A, Stand 141

Sualab: Halle 1, Stand 1A26

Framos: Halle 1, Stand 1C42

Deepsenso: Halle1, Stand 1J54

Neadvance: Halle 1, Stand 1D84

Irida Labs: Halle 1, Stand 1I16

Silicon Software: Halle 1, Stand 1C72 | SPS IPC Drives: Halle 10.1, Stand 318