Aufrufe
vor 3 Wochen

INDUSTRIELLE AUTOMATION 6/2019

  • Text
  • Industrielle
  • Automation
INDUSTRIELLE AUTOMATION 6/2019

SENSORIK UND MESSTECHNIK

SENSORIK UND MESSTECHNIK INDUSTRIE 4.0 Teamwork Mit Machine Vision und KI-basierten Deep-Learning-Technologien auf dem Weg zur Industrie 4.0 Industrie 4.0 stellt neue Anforderungen an die Wertschöpfungsketten in der industriellen Fertigung. Eine davon ist ein hoher Grad an Flexibilität. Möglich wird dies durch hoch automatisierte und durchgängig vernetzte Prozesse. Eine Schlüsselrolle kommt hierbei der industriellen Bildverarbeitung zu und damit gewinnen innovative Verfahren wie Deep Learning zunehmend an Bedeutung. Ein bisher nicht gekanntes Ausmaß an Automatisierung, Digitalisierung und Vernetzung kennzeichnet das Geschehen in den Montagehallen in Zeiten von Industrie 4.0. Die Robotik erlebt einen wahren Boom: smarte, kompakte und mobile Roboter, die sogenannten Collaborativen Robots (Cobots), arbeiten eng mit Menschen zusammen und übernehmen teilweise sogar deren Aufgaben. Dabei sind alle Akteure der digitalen Fertigung wie Maschinen, Roboter, Handling- und Transfersysteme sowie weitere Komponenten durchgängig miteinander verknüpft und tauschen über Netzwerke Daten aus. Machine Vision in der automatisierten Fertigung Eine tragende Rolle in diesem Szenario spielt die industrielle Bildverarbeitung (Machine Vision). Sie überwacht Fertigungsprozesse zuverlässig und lückenlos. Über Kameras oder Scanner werden digitale Bilddaten vom Geschehen aufgenommen und in der integrierten Machine-Vision- Software verarbeitet. Die Ergebnisse stehen dann für vielfältige Anwendungen in der industriellen Wertschöpfungskette bereit: So ist das System in der Lage, Gegenstände verlässlich zu erkennen und Werkstücke präzise auszurichten. Dies trägt zu mehr Effizienz und Sicherheit in der automatisierten Fertigung bei. Überdies können fehlerhaft gefertigte Produkte mithilfe von Machine Vision eindeutig detektiert und aussortiert werden, was Bildverarbeitungstechnologien für den Einsatz in der Qualitätssicherung prädestiniert. Johannes Hiltner, Produktmanager Halcon, MVTec Software GmbH, München 44 INDUSTRIELLE AUTOMATION 6/2019

SENSORIK UND MESSTECHNIK Auswertung durch selbstlernende Algorithmen Viele moderne Bildverarbeitungsverfahren kommen heute nicht mehr ohne Künstliche Intelligenz (KI) aus. Bedeutsam ist in diesem Zusammenhang insbesondere Deep Learning, eine Technologie basierend auf Convolutional Neural Networks (CNNs). Deep Learning ist in der Lage, große Mengen an digitalen Bilddaten mittels selbstlernender Algorithmen auszuwerten. Im Mittelpunkt steht ein Trainingsprozess, in dessen Rahmen die Software spezifische Besonderheiten und Merkmale von bestimmten Objektklassen automatisch lernt. Auf diese Weise lassen sich neue Bildinformationen und die darauf abgebildeten Objekte präzise einer spezifischen Klasse zuordnen – Objekte werden so zuverlässig und robust erkannt. Überdies lassen sich Deep-Learning-Algorithmen nutzen, um Objekte und Defekte exakt zu lokalisieren. Vortrainierte Deep-Learning-Netze Deep-Learning-Technologien sind innerhalb der industriellen Bildverarbeitung vor allem für die Klassifizierung, Objektdetektion und semantische Segmentierung geeignet. MVTec bietet hierfür in der aktuellen Version 19.05 der Machine-Vision-Standardsoftware Halcon hilfreiche Funktionen an. Darüber hinaus hat der Hersteller vortrainierte Deep-Learning-Netze in seine Software integriert. Deren besonderer Vorteil besteht darin, dass sie bereits mit rund einer Million lizenzfreier Bilder mit Motiven aus dem industriellen Umfeld trainiert wurden. Unternehmen benötigen dadurch nur noch eine geringe Anzahl eigener Bilder, um die Netze entsprechend ihrer Anforderungen und spezifischen Anwendungen zu trainieren. Auf diese Weise können Firmen das Training vereinfachen, den Aufwand auf ein Minimum reduzieren und Kosten einsparen. Überdies sind sie hinsichtlich der Bildrechte auf der sicheren Seite. Bildverarbeitung und SPS wachsen zusammen Bei der durchgängig vernetzten Kommunikation der Industrie-4.0-Komponenten erlangt neben der industriellen Bildverarbeitung auch die speicherprogrammierbare Steuerung (SPS) eine wichtige Bedeutung. Diese beiden „Welten“ wachsen heute dank der Entwicklung gemeinsamer Normen und Standards immer enger zusammen. Insbesondere die plattformunabhängige, service-orientierte Architektur Open Platform Communications Unified Architecture (OPC UA) spielt hierbei eine herausragende Rolle. Mit diesem Standard lassen sich über verschiedene Plattformen und Hersteller hinweg Daten austauschen. Dank einer semantischen, kontextbezogenen Beschreibung können Maschinen diese Informationen eigenständig lesen und verstehen. Deep-Learning-Technologien sind vor allem für die Klassifizierung, Objektdetektion und semantische Segmentierung geeignet Resümee Für die Umsetzung hochgradig automatisierter, durchgängig vernetzter und digitalisierter Wertschöpfungsprozesse benötigt die Industrie 4.0 innovative Begleittechnologien. Insbesondere die industrielle Bildverarbeitung trägt maßgeblich dazu bei, die Produktion in diesem Kontext sicherer und effizienter zu gestalten. Darin integrierte, KI-basierte Deep- Learning-Technologien sorgen zudem dank selbstlernender Algorithmen für besonders hohe Erkennungsraten. Außerdem ermöglichen Kommunikationsstandards wie OPC UA eine stetig bessere Kommunikation bzw. Vernetzung von Hardund Software. Bilder: Fotolia www.mvtec.com Your Global Automation Partner Turbolader für IIoT Managed Ethernet Switch in IP67 Datenraten bis 1Gbit/s optimieren Anwendungen mit höchsten Geschwindigkeitsanforderungen, etwa bei der Übertragung vonVideostreams Highspeed-Link-Up-Funktion unterstützt schnelle Werkzeugwechsel in unter 150 ms für minimalste Taktzeiten in Roboteranwendungen Sichereund effizienteIndustrial-Ethernet-Netzwerkedurch integrierte Firewall,NAT-Routing und Überwachung der Netzlast an allen Ports Halle 7, Stand 250 www.turck.de/switches

AUSGABE