8-2018
Fachzeitschrift für Industrielle Automation, Mess-, Steuer- und Regeltechnik
Fachzeitschrift für Industrielle Automation, Mess-, Steuer- und Regeltechnik
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Aktuelles<br />
VISION <strong>2018</strong>: Deep Learning Feuerwerk erwartet<br />
Aussteller präsentieren Stand der Deep Learning Technologie auf der VISION <strong>2018</strong>/ Ergänzung und Alternative<br />
zur etablierten Bildverarbeitung<br />
Demonstrator schwieriger Inspektionsaufgabe als Deep-<br />
Learning-Anwendung mit FPGA mit einer hohen Datenrate von<br />
über 220 MB (Bildquelle: Silicon Software)<br />
Angetrieben von immer schnellerer<br />
Rechenleistung und methodischen<br />
Durchbrüchen hat sich Deep Learning<br />
in den vergangenen Jahren in<br />
der Bildverarbeitungsbranche zu<br />
einem Megatrend entwickelt, der<br />
auch die VISION <strong>2018</strong> prägen wird.<br />
Florian Niethammer von der Messe<br />
Stuttgart, Projektleiter der VISION,<br />
zeigt sich angesichts dieser technischen<br />
Entwicklungen überzeugt,<br />
dass die VISION <strong>2018</strong> eine der spannendsten<br />
Messeausgabe überhaupt<br />
wird: „Es wird extrem aufregend, zu<br />
sehen, wie die Austeller das Trendthema<br />
Deep Learning bespielen<br />
und mit etablierter Bildverarbeitung<br />
sowie Embedded Vision verknüpfen.<br />
Ganz nach unserem Kampagnenmotto<br />
‚BE VISIONARY‘ erwarten<br />
wir vom 6. bis 8. November in Stuttgart<br />
ein Feuerwerk an neuen Produkten<br />
und Lösungen, von denen<br />
viele noch vor zwei Jahren auf der<br />
letzten VISION nicht einmal angedacht<br />
waren.“<br />
Deep Learning-Systeme als ein<br />
Teilbereich von Machine Learning<br />
und Künstlicher Intelligenz haben<br />
einen grundlegend anderen technologischen<br />
Ansatz als die derzeit<br />
etablierte Bildverarbeitungstechnik:<br />
„Sie setzen neuronale Netze ein und<br />
ihr Name bezieht sich auf die meist<br />
hohe Anzahl verborgener Schichten<br />
im neuronalen Netzwerk“, erläutert<br />
VISION-Aussteller und CEO<br />
von Irida Labs, Vassilis Tsagaris.<br />
Systeme, die auf Deep Learning<br />
basieren zeichnen sich dadurch<br />
aus, „dass große Mengen an digitalen<br />
Bilddaten analysiert und damit<br />
Modelle von bestimmten, zu erkennenden<br />
Objekten trainiert werden“,<br />
ergänzt Dr. Olaf Munkelt, Geschäftsführer<br />
der MVTec Software GmbH.<br />
„Mit Hilfe dieser Trainingsdaten lernt<br />
der Klassifikator dann, zwischen<br />
den eingegebenen Klassen zu<br />
unterscheiden“, so der langjährige<br />
VISION-Aussteller weiter.<br />
Flexible Entscheidungen als<br />
Vorteil<br />
„Die Stärke von Deep Learning liegt<br />
darin, dass ein solcher Ansatz flexibler<br />
entscheiden kann als ein Satz<br />
vorgegebener Regeln in konventionellen<br />
Bildverarbeitungs-Systemen“,<br />
betont Volker Gimple, Gruppenleiter<br />
Bildverarbeitung bei der Stemmer<br />
Imaging AG. Dr. Klaus-Henning<br />
Noffz, Geschäftsführer von Silicon<br />
Software, ergänzt: „Deep Learning<br />
punktet immer dann, wenn Prüfobjekte<br />
große Variationen aufweisen<br />
und schwer mathematisch modellierbar<br />
sind.“<br />
Deep Learning kann somit überall<br />
dort eine Alternative sein, wo<br />
konventionelle Bildverarbeitungssysteme<br />
an ihre Grenzen stoßen:<br />
„Deren größte Herausforderungen<br />
sind ein sich veränderndes optisches<br />
Umfeld, die immer größere Produktvielfalt<br />
sowie die Komplexität des<br />
Bildes selbst“, sagt Hanjun Kim, Marketing<br />
Manager bei Sualab. “Auch<br />
in Bereichen, wo Bildverarbeitung<br />
bereits implementiert ist, kann der<br />
zusätzliche Einsatz von Deep Learning<br />
Genauigkeit und Geschwindigkeit<br />
des Prüfvorgangs drastisch<br />
beschleunigen.“ Der südkoreanische<br />
Softwarespezialist stellt auf<br />
der VISION <strong>2018</strong> zum ersten Mal<br />
aus und plant die Vorstellung seiner<br />
Deep Learning Machine Vision<br />
Inspektionssoftware ‘SuaKIT v2.0’.<br />
Bereits vielfältige<br />
Anwendungen<br />
Eingesetzt wird Deep Learning<br />
heute bereits in Anwendungen,<br />
wo Bildverarbeitung eine Klassifizierung<br />
des untersuchten Objekts<br />
vornimmt. Dr. Klaus-Henning Noffz<br />
beschreibt eine Anwendung aus<br />
dem Automobilbau:<br />
„Selbstlernende Algorithmen erkennen<br />
hier mit Hilfe von Deep Learning<br />
beispielsweise perfekt winzige<br />
Lackfehler, die mit bloßem Auge<br />
nicht sichtbar sind“.<br />
Auch die Nahrungsmittel- und Getränkeindustrie,<br />
ein Anwendungsbereich,<br />
der auf der VISION unter anderem<br />
mit dem ‚Food & Beverage‘-Label<br />
in den letzten Jahren immer mehr<br />
Beachtung gefunden hat, profitiert<br />
von Deep-Learning-Technologien.<br />
„So können beispielsweise minderwertige<br />
Früchte und Gemüse präzise<br />
identifiziert und inspiziert werden,<br />
bevor sie verpackt oder weiterverarbeitet<br />
werden“, erläutert Dr. Olaf<br />
Munkelt. Dr. Christopher Scheubel,<br />
Head of IP & Business Development<br />
bei Framos, ein VISION-Aussteller<br />
der ersten Stunde, beschreibt eine<br />
Anwendung, bei der mit Deep Learning<br />
Gebinde für einen Lebensmitteleinzelhändler<br />
sortiert und klassifiziert<br />
werden.<br />
Deepsense, ein weiterer Erstaussteller<br />
auf der VISION <strong>2018</strong>, wird<br />
eine Lösung zur visuellen Qualitätskontrolle<br />
vorstellen, die sich<br />
ohne langwierige Programmierung<br />
sehr gut zur Inspektion gerade von<br />
Objekten mit komplexen Mustern<br />
wie etwa Holz oder Textilien eignet.<br />
Robert Bogucki, Chief Science<br />
Officer bei Deepsense, sieht darüber<br />
hinaus große zukünftige Anwendungschancen<br />
von Deep Learning<br />
im Bereich Healthcare.<br />
Verdrängt oder ergänzt<br />
Deep Learning etablierte<br />
Systeme?<br />
Auch wenn bei der Anwendung<br />
von Deep Learning Herausforderungen<br />
bleiben, wie etwa die Ausführungszeiten<br />
und der Trainingsaufwand<br />
für die neuronalen Netze,<br />
ist man sich etwa bei Framos sicher,<br />
dass alle klassifizierenden Ansätze<br />
z.B. bei der Qualitätsüberwachung<br />
oder beim Sortieren mittelfristig von<br />
Deep Learing dominiert werden.<br />
Auch Dr. Klaus-Henning Noffz ist<br />
überzeugt: „Mit dem Ansatz trainieren<br />
statt programmieren‘ kann Deep<br />
Learning eine sehr hohe Verbreitung<br />
erzielen. So sind Klassifikationsaufgaben<br />
wesentlich einfacher<br />
zu lösen als mit den existierenden<br />
algorithmischen Methoden. Für viele<br />
weitere Aufgabe stellungen qualifi-<br />
6 PC & Industrie 8/<strong>2018</strong>