TRENDS DATENANALYSE &
TRENDS DATENANALYSE & BILDVERARBEITUNG Bild: B&R „Maschinenbauer beschäftigen sich zunehmend mit den Möglichkeiten von Machine Vision. Sie sehen in der industriellen Bildverarbeitung eine Chance, die For - derungen des Marktes nach flexibleren und produktiveren Maschinen umzusetzen.“ Andreas Waldl, Produktmanager Integrated Machine Vision, B&R Bild: Beckhoff Automation „Beckhoff setzt auf offene PC-basierte Systeme anstatt auf Smart Kameras. Nur so profitieren die Anwender konsequent von der rasanten Weiterentwicklung der IT-Welt.“ Michael Busch, Produktmanager TwinCAT Vision, Beckhoff Automation erforderlich. Wenn man einen Schritt weiter geht, führt man die Netze direkt auf der Kamera aus und profitiert von Faktoren wie verbesserter Effizienz und reduzierten Systemkosten. Unsere IDS-NXT- Modelle verfügen deshalb beispielsweise über einen Hardware- Beschleuniger für neuronale Netze. Sie sind dadurch in der Lage, direkte Ergebnisse weiterzugeben. Chaston (Mavis): Neuronale Netze beziehungsweise Deep-Learning-Algorithmen sind eine aufregende neue Entwicklung, die leicht in industriellen Bildverarbeitungsanwendungen eingesetzt werden kann. Der Hauptwachstumsmarkt für diese Technologie liegt in der Lebensmittel- und Agrarindustrie, in der die herkömmliche industrielle Bildverarbeitung Schwierigkeiten mit natürlich gewachsenen Produkten hat. Was neue Entwicklungen betrifft, so werden SWIR- Bildgebungssysteme (Bildgebung über kurzwelliges Infrarotlicht) sowie eigenständige ToF-Kameras (time of flight) immer ausgereifter und einfacher handhabbar. Darüber hinaus machen auch die Entwicklungen in der Schnittstellentechnologie Fortschritte, wie etwa durch die Einführung von 10GigE/25GigE für hohe Übertragungs - raten durch das Unternehmen Emergent Vision Technologies zeigt. Bohnacker (MVTec): Es gibt bereits erste Smart Kameras und Embedded-Geräte, die für Deep Learning in der Industrie ausgelegt und einsetzbar sind. MVTec Halcon unterstützt dies vollumfänglich, da die Deep-Learning-Technologien Klassifikation, Objektdetektion und semantische Segmentierung standardmäßig auf Arm-basierten Plattformen ausgeführt werden können. Die Verwendung spezieller Deep-Learning-Beschleunigungshardware auf Embedded-Geräten erlaubt weitere Einsatzmöglichkeiten, die sich zukünftig auch mit Halcon adressieren lassen. Mit einzelnen Pilotkunden und Industriepartnern erarbeiten wir hierfür bereits Lösungen. Durch eine generische Schnittstelle sollen unsere Kunden diese Beschleunigungshardware auch in Verbindung mit Halcon nutzen können. Deep Learning trägt auch dazu bei, neue Anwendungen zu ermöglichen und Machine-Vision-Prozesse signifikant zu vereinfachen. Deep Learning beschleunigt dabei die Entwicklung von immer leistungsfähigeren Embedded-Geräten. Williamson (Stemmer Imaging): Deep Learning ermöglicht die Prüfung sowohl organischer als auch variierender Objekte. Bei Inspek - tionsaufgaben ist eine der größten Herausforderungen, genügend Trainingsdaten, also Beispielbilder, für einen Defekt zu erhalten, um das Netzwerk so zu trainieren, dass der Defekt zuverlässig erkannt wird. Unser CVB-Tool Polimago bietet die Möglichkeit mit wenigen Trainingsbildern zuverlässige Ergebnisse zu erzielen. Eine andere Aufgabe ist die Erkennung von Abweichungen – hier werden nur Gut-Beispiele trainiert und der Algorithmus erkennt, wo eine Abweichung vom Normbereich vorliegt. Dies eröffnet neue Einsatzfelder für Deep Learning im Bereich der automatisierten Prüfung. Während Smart Kameras mit integrierter Deep-Learning-Technologie eine klarer Trend sind, beschränkt die für diese Algorithmen benötigte Rechenleistung den Einsatz vorerst noch auf einfache Anwendungen. Schmitt (Vision Components): Es gibt bereits seit Längerem für den Industrieeinsatz taugliche Embedded-Vision-Plattformen, auf denen Deep Learning dezentral umgesetzt wird. Hardware und Software sind bereits sehr weit entwickelt. Treibende Kräfte sind der Consumer- und der Automotive-Markt, zum Beispiel mit dem automatisierten Fahren. Im Industrieumfeld sehen wir einen Schwerpunkt in klassifizierenden Aufgaben, etwa um Produkte wie Obst oder Gemüse zu sortieren, in der Bauteilerkennung oder bei Oberflächenanalysen. KI ist der klassischen Bildverarbeitung in solchen Aufgaben, die bisher – wenn überhaupt – nur mit hochkomplexen Algorithmen gelöst werden konnten, klar überlegen. Geeignete neuronale Netze lassen sich vergleichsweise einfach anhand von Beispielbildern trainieren. Der Nachteil ist, dass sich der Entscheidungsprozess nicht nachvollziehen lässt. 100-prozentige Prüfung ist unter diesen Voraussetzungen nicht machbar. Die Tauglichkeit für bestimmte Applikationen muss fallweise abgewogen werden. Gegebenenfalls kann man die Kombination mit zusätzlichen Prüftechnologien erwägen, um die gewünschte Zuverlässigkeit und Transparenz zu erreichen. elektro AUTOMATION: Welche Unterstützung bieten Sie Ihren Anwendern bei der Umsetzung von Deep-Learning-Lösungen? Wie lassen sich die neuronalen Netze trainieren und wie werden sie in Industrie-PCs und Smart Kameras integriert? Waldl (B&R): Schon heute basieren Funktionen wie die Schrifterkennung auf maschinellem Lernen. Aufgrund der guten Erfahrungen und neu verfügbarer Technologien werden wir entsprechende Mechanismen in Zukunft auch bei weiteren Funktionen integrieren. Ich gehe davon aus, dass die Leistungsfähigkeit von On-the-Edge-Ge- 16 elektro AUTOMATION 11 2020
DATENANALYSE & BILDVERARBEITUNG TRENDS räten steigt und somit die Einsatzmöglichkeiten von Deep-Learning- Netzwerken in den kommenden Jahren deutlich erweitert werden. Busch (Beckhoff): PC-based Control von Beckhoff bietet den Maschinenbauern zahlreiche Möglichkeiten und Produkte, um Maschinenund Prozessdaten lückenlos zu erfassen – die unverzichtbare Grund - lage für Machine Learning. Paradebeispiel dafür ist TwinCAT Analytics. Als offenes Steuerungssystem nutzen wir auch ein standardisiertes Austauschformat, nämlich ONNX, um trainierte Machine-Learning-Modelle in die Steuerungs-Runtime zu importieren. Dadurch besteht die Möglichkeit, die etablierten Open-Source- oder Drittanbieter-Frameworks zum Trainieren zu verwenden. Für die Ausführung der Inferenz in Echtzeit bietet die TwinCAT-Runtime folgende neue Functions: die TwinCAT 3 Machine Learning Inference Engine für klassische ML- Algorithmen sowie die TwinCAT 3 Neural Network Inference Engine für trainierte neuronale Netze. Bohnacker (MVTec): Für das Training des Deep-Learning-Netzes muss eine ausreichend große Menge an Trainingsbildern gesammelt und gelabelt, also mit einem digitalen Etikett versehen werden. Durch diesen Labeling-Prozess lernt der Deep-Learning-Algorithmus, welche Merkmale zu welcher Klasse gehören. Überdies können nach dem Training Objekte eigenständig und verlässlich lokalisiert und einer bestimmen Klasse zugeordnet werden. Die gelabelten Daten lassen sich zudem nahtlos in Halcon integrieren. Um den Aufwand bei unseren Anwendern zu reduzieren, sind in MVTec Halcon bereits industrietaugliche, vortrainierte DL-Netze integriert. So benötigt der Kunde weniger eigene Bilder für sein applikationsspezi - fisches Training. Darüber hinaus stellt MVTec für das Labeln der Hartmann (IDS): Künstliche Intelligenz ist ein komplexes Thema. Wer von der Pieke damit anfangen will, muss sich sehr genau mit Deep Learning, Schnittstellen und Kameraprogrammierung beschäftigen. Wir haben mit IDS NXT Ocean deshalb eine Lösung entwickelt, mit der auch unerfahrene Anwender neuronale Netze trainieren und ins Feld bringen können. Es handelt sich dabei um ein komplettes System, das alle erforderlichen Werkzeuge und Workflows beinhaltet. Dazu gehört die Cloud-basierte Trainingssoftware IDS NXT Lighthouse, die ohne Vorwissen und innerhalb kurzer Zeit erste Ergebnisse KI-basierter Bildverarbeitung erlaubt. Das trainierte neuronale Netz lässt sich auf einer IDS- Kamera – on the edge – ausführen. Konfigurieren statt Programmieren, keine extra Entwicklungsumgebung, Komponenten aus einer Hand – das senkt die Einstiegshürden für die Technologie enorm. Chaston (Mavis): Wir bieten eine Verarbeitungsplattform von Pleora sowie handelsübliche Softwarepakete von Euresys an, die auch Entwicklungs- und Prototyping-Tools umfassen. Prototyping-Tools sollten nie unterschätzt werden, da sie neben bestehenden Lösungen eingesetzt werden und über sie neue Einsatzbereiche getestet werden können. Für alle, die durchgängig automatisieren möchten. Mechanische Connectivity Spindel- und Zahnriemenachse ELGC Mini-Schlitten EGSC Elektrische Connectivity Servoantriebsregler CMMT-AS Intelligente Connectivity Modulares Steuerungssystem CPX-E Mit intelligenten Auslegungs- und Konstruktionstools, einem leistungs starken Produktportfolio an elektrischen und pneumatischen Komponenten und passender Software wird durchgängige Vernetzung in Ihrer Anlage schnell, einfach und sicher Realität: vom Handling eines Werkstücks über die Zellensteuerung bis in die Cloud. Jetzt mehr erfahren: festo-digital.de/connectivity elektro AUTOMATION 11 2020 17
