PRAXIS » Machine
PRAXIS » Machine Learning Das Deep Learning Tool senkt den Aufwand für das Labeln der Trainingsbilddaten Bild: MVTec von neuronalen Netzen erheblich. So können mit dem Tool zum Beispiel umschließende Rechtecke (Bounding Boxes) für Objektdetektions-Applikationen eingezeichnet und angepasst sowie Labels vergeben und verwaltet werden. Die gelabelten Bilddaten lassen sich dann nahtlos in die Bildverarbeitungssoftware MVTec HALCON laden und stehen damit bereits im richtigen Format für das weitere Training des Netzes zur Verfügung. Für Klassifikations- Projekte können Nutzer ihr Netz darüber hinaus schon heute auch INFO Weitere Details: hier.pro/Tawu8 direkt im Deep-Learning-Tool trainieren und evaluieren. Das Deep Learning Tool wird im Rahmen eines agilen und iterativen Prozesses kontinuierlich weiterentwickelt. So sollen in kommenden Releases jeweils entsprechende, weitere Funktionen integriert werden. Noch für das Jahr 2021 ist beispielsweise geplant, das Training und die Evaluierung für die Objektdetektion zu integrieren und eine interaktive Methode für das Labeln von Trainingsdaten für die semantische Segmentierung anzubieten. Hiermit kann der Labeling-Prozess deutlich beschleunigt werden. Ein weiteres, Deep-Learning-basiertes Feature in MVTec HAL- CON ist Anomaly Detection. Die Technologie optimiert die Fehlerinspektion und kann alle Abweichungen vom Soll-Zustand »Für die Anomaly Detection werden nur Gut-Bilder benötigt.« Mario Bohnacker verlässlich erkennen. Das Besondere daran ist, dass hierfür ausschließlich sogenannte Gut-Bilder benötigt werden. Diese bilden das jeweilige Objekt in fehlerfreiem Zustand ab. Der Algorithmus identifiziert dann alle denkbaren Defekte als Anomalien – auch solche, die im Vorfeld nicht bekannt waren. Weil nur Gut-Bilder benötigt werden, ist es auch nicht notwendig, die Bilder für das Trainieren zu labeln. Und schließlich erfordert die Technologie für das Training des Deep-Learning-Netzes deutlich weniger Bilddaten als dies bei anderen Inspektionsverfahren der Fall ist. Ein Training mit 20 bis maximal 100 Bildern reicht bereits aus, um robuste Erkennungsraten zu erzielen. So lassen sich im Ergebnis mit Anomaly Detection der Aufwand und die Kosten für die gesamte KI-basierte Fehlerinspektion erheblich reduzieren. Die Automatisierung vorantreiben Machine-Vision-Systeme tragen entscheidend dazu bei, die Automatisierung der Prozesse in der digitalen Fabrik voranzutreiben. Dabei lässt sich durch die Integration von Deep-Learning-Algorithmen die Leistungsfähigkeit der Lösungen weiter erhöhen. Die Erkennungsraten verbessern sich signifikant und die Machine-Vision-Prozesse werden vereinfacht, beschleunigt und in puncto Effizienz auf ein neues Niveau gehoben. (ge) www.mvtec.com 32 elektro AUTOMATION » 02 (April)|2021
EQ-Serie erfasst kleinste Beschleunigungsamplituden Sensoren für seismische Messungen Die ASC EQ-Serie misst selbst kleinste Schwingungsamplituden und eignet sich deshalb für seismische Messungen, das Structural Health Monitoring sicherheitsrelevanter Bauwerke sowie Noise-Referenzmessungen. Die Sensoren werden als uniaxiale, biaxiale und triaxiale Ausführungen gefertigt, mit Messbereichen von jeweils ±3 g und ±5 g. Sie erfassen sowohl statische (DC) als auch dynamische Beschleunigungen bis zu einer Bandbreite von 700 Hz und zeichnen sich durch ein sehr niedriges Rauschlevel aus. Sie erzielen eine Auflösung von
