Sensorik Wann sich Deep Learning in der Produktion lohnen kann

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Disy Informationssysteme GmbH

Sinequa

Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS

SICK AG

Mit Deep Learning werden Anwendungen in der Produktion realisierbar, die bislang nicht möglich waren. Dabei lernt ein künstliches neuronales Netz in ähnlicher Weise wie ein Mensch. Was Deep Learning schon leisten kann und warum es nicht immer komplex sein muss.

Eine Maschine lernt wie ein Mensch. Das klingt nicht nur komplex, sondern auch ein bisschen nach Science-Fiction. Doch das sogenannte Deep Learning, ein Teilbereich der Künstlichen Intelligenz (KI), ist längst Realität in der industriellen Produktion geworden und findet dort immer mehr Anwendung.

Oftmals war das Erkennen, Prüfen oder Klassifizieren von Objekten und Merkmalen nur mit einer aufwendigen Programmierung möglich – oder sogar technisch gar nicht lösbar. Dank Deep Learning können nun Maschinen einfacher dazu befähigt werden. Die Grundlage dieser Technologie sind vielschichtige künstliche neuronale Netze. Algorithmen, die Zusammenhänge und Muster erkennen sowie weiterverarbeiten. Diese künstlichen neuronalen Netzwerke lernen aus Beispielen und Erfahrung. Sie können nicht nur komplexe Aufgaben in der Produktion lösen, sondern auch die Entwicklung optimieren.

Bildergalerie

Bildergalerie mit 5 Bildern

Weil Sensoren die Bezugsquelle aller Informationen in der Fertigung bleiben, hat der Sensoranbieter Sick diese Machine-Learning-Technik auf seine Sensoren übertragen. Das Unternehmen fokussiert sich hier momentan auf die Vision-Produkte. Der Sensoranbieter nutzt Deep Learning, um die Funktionalität von Sensoren applikationsbezogen zu spezialisieren. „Bis vor kurzem war Deep Learning meist nur großen Unternehmen vorbehalten, die sich entsprechende Experten leisten konnten“, weiß Christoph Eichhorn, Produktmanager Deep Learning bei Sick aus Waldkirch: „Wir selbst haben zuerst ein Expertenteam aufgebaut um konkrete Kundenapplikationen mit Deep Learning lösen zu können. Dabei haben wir sehr viel Erfahrung gesammelt und in Werkzeuge übertragen. Damit können Anwender, die keine Deep-Learning-Kenntnisse habe, diese Technologie trotzdem nutzen – also auch kleine und mittelständische Unternehmen.“

Deep Learning sorgt für neue Automatisierungs-Chancen

Maschinelles Lernen eröffnet der Fertigungsautomatisierung neue Chancen. Da ist sich Prof. Stefan Wrobel, Institutsleiter des Fraunhofer IAIS, sicher: „Industrieunternehmen verfügen schon heute über entsprechend viele Daten bzw. Beispiele, um Maschinen trainieren zu können. Mit Deep Learning kann die Effizienz gesteigert und es können sogar neue Produkte angeboten werden.“

Deep-Learning-Anwendungen identifizieren

Zu Beginn stellt sich aus Sicht des maschinellen Lernens immer die Frage nach der Eindeutigkeit der Kriterien: Können diese durch eine gewisse Anzahl an Beispielbildern eindeutig erkannt und interpretiert werden? Kann eine erfahrungs- und wissensbasierte Beurteilungsfähigkeit eines Menschen überhaupt als Intelligenzleistung durch einen Sensor erbracht werden?

Werden diese Fragen durch den jeweiligen Anwendungstechniker positiv beurteilt, schaffen die erfassten Bilder unter realen Bedingungen die Trainingsdatenbasis für die späteren Deep-Learning-Algorithmen. Generell stehen für die Deep-Learning-Entwicklung offene Frameworks zur Verfügung, die jedoch meist eine tiefe Einarbeitung in das Thema neuronale Netze erforderlich machen. „Wir bieten erfahrenen Sensor-App-Entwicklern sowie Nutzern ohne Programmiererfahrung Werkzeuge an, die eine einfache Nutzung von Deep Learning ermöglichen“, erklärt Eichhorn.

Anwendungen, die schon auf Deep Learning setzen

Eines der ersten Pilotprojekte führte das Unternehmen aus dem Schwarzwald in der eigenen Logistik durch. In einer Applikation erkennt das Deep-Learning-System, ob eine Transportschale im Logistik-Hub tatsächlich nur mit einem Paket beladen ist. „Diese Aufgabe ist für Menschen einfach, war aber bisher nur schwer zu automatisieren, da Pakete sehr verschieden sein können“, beschreibt Eichhorn die Sensor-Software-Lösung. Eine weitere Anwendung überprüft in der Produktion von Sick Lötstellen auf Platinen. „Ein aufgetragener Tropfen Lötzinn kann unterschiedlich aussehen sowie reflektieren. Mit Deep Learning erhalten wir jetzt sehr gute Ergebnisse“, sagt Eichhorn. Auch in einem Sägewerk konnte bereits eine Applikation umgesetzt werden. Hier wird die Orientierung von Holzmaserungen bzw. Jahresringen automatisch erkannt. „Bei diesem Projekt haben wir im Vorfeld zigtausend Bilder gesammelt und sortiert. Damit konnten wir dann ein neuronales Netz trainieren. Der Aufwand hat sich gelohnt, wir können bei hoher Taktzeit zuverlässige Entscheidungen treffen“, resümiert der Produktmanager.

Deep-Learning-Algorithmen auf einem Sensor

Sowohl für die Durchführung des Trainings als auch für die Evaluierung des Ergebnisses bietet Sick einen Cloud-Service an. Das umfangreiche Rechnen für das Training einer Deep-Learning-Lösung erfolgt auf speziell dafür ausgestatteten Rechnern mit hoher GPU-Performance (Graphic Processing Unit). Die daraus generierten Algorithmen werden dann aber lokal auf einem Sensor bereitgestellt und ausgeführt. So kann beispielsweise eine intelligente Kamera selbständig Entscheidungen treffen.

Die Hürden beim Thema Deep Learning

Jedoch gibt es auch beim Thema Deep Learning Hürden. „Bei Deep Learning müssen potenzielle Anwender einen gewissen Vorinvest an Aufwand tätigen und mit Beispielen ein neuronales Netz trainieren. Zu diesem Zeitpunkt kann man noch nicht wissen, ob sich der Einsatz der Technologie lohnen wird“, stellt Eichhorn fest. Auch gerät das maschinelle Lernen an seine Grenzen, wenn nicht genügend Daten zur Verfügung stehen, um die Algorithmen für eine komplexe Aufgabe zu trainieren.

Deep Learning erreicht schon heute beeindruckende Ergebnisse. Die Technologie eignet sich für die Klassifizierung und Sortierung von Produkten mit leicht unterschiedlichem Aussehen innerhalb einer Objektklasse, Inspektionen, bei denen mehrere Ergebnisse möglich sind, oder aber auch für die automatisierte Prozessüberwachung. „Wichtig ist: künstliche neuronale Netze sind nicht so intelligent wie ein Mensch. Sie werden für eine bestimmte Aufgabe trainiert. Ihnen fehlt aber der allgemeine Erfahrungsschatz eines Menschen“, bemerkt Christoph Eichhorn abschließend.

Interview Deep Learning

Deep-Learning-Anwendung einfach ausprobieren

Es heißt, Deep Learning lernt und denkt wie ein Mensch. Klingt komplex …
Die Technologie dahinter kann komplex sein, aber das muss mich als Anwender nicht interessieren. Man kann es mit dem Lernprozess eines Kindes vergleichen. Wenn ich einem Kind anhand von Bildern verschiedene Tierarten beibringe und das Gelernte abfragen, muss ich nicht verstehen, wie die Prozesse im Gehirn genau funktionieren. Am Ende zählt das Ergebnis.
Wie identifiziere ich in meiner Produktion eine Applikation, die sich für eine Deep-Learning-Lösung eignen würde?
In der Produktion gibt es häufig noch repetitive Aufgaben, die nicht sinnvoll automatisiert werden können. Wenn eine Aufgabe von einem Menschen leicht gelöst werden kann, aber schwer zu automatisieren ist, dann kann Deep Learning sinnvoll sein.
Wie kann ich wissen, ob sich Deep Learning für meine Anwendung eignet?
Als Werkzeug haben wir das Online-Tool D-Studio für unser App-Space-Ökosystem entwickelt. Damit können Anwender neuronale Netze für programmierbare Sick-Sensoren in der Cloud trainieren. Anhand von Beispielen können so Anwendungen getestet werden. Durch eine intuitive Benutzeroberfläche ist die Nutzung auch ohne fundierte KI-Kenntnisse möglich.
Wie lange dauern die Trainingszeiten?
Wenn die Anwendung klar ist, dann dauert die eigentliche Trainingszeit je nach Komplexität zwischen wenigen Minuten oder mehreren Stunden. Die meiste Zeit brauchen die Anwender großteils für das Zusammenstellen der Beispielbilder im Vorfeld. Grundsätzlich gilt: Je mehr Varianz es gibt, desto mehr Beispiele werden für das Training des neuronalen Netzes benötigt.
Kann die Maschine nach der Trainingszeit noch falsche Entscheidungen treffen?
Ja, das kann passieren. Deshalb sind gute und viele Trainingsbeispiele so wichtig. Es ist immer ratsam, beim Training zu überprüfen, ob das Netz den Kern der Aufgabe verstanden oder einfach nur die Beispiele auswendig gelernt hat. Zudem wird der Fortschritt und Erfolg des Trainings anschaulich dargestellt, sodass das neuronale Netz bereits vor seinem produktiven Einsatz bewertet werden kann.

Dieser Artikel stammt von unserem Partnerportal elektrotechnik.

(ID:47242983)