INDUSTRIELLE AUTOMATION 3/2020

Durchgängig

Durchgängig automatisiert Wie künstliche Intelligenz den Embedded-Vision-Markt erobert 01 Deep Learning auf Basis neuronaler Netze ermöglicht robustere Erkennungsraten Der Markt für Embedded-Systeme wächst unaufhaltsam. Auch Technologien der industriellen Bildverarbeitung laufen auf entsprechenden Geräten mittlerweile standardmäßig. Durch die Integration moderner Deep-Learning- Verfahren lassen sich robustere Erkennungsraten erzielen und neue Applikationen realisieren. Dies fördert die durchgängige Automatisierung von Produktionsketten im Rahmen von Industrie 4.0. Der Einsatz von kompakten Geräten mit eingebundener Embedded-Software gewinnt im industriellen Umfeld zunehmend an Bedeutung. So sind vor allem Smartkameras, mobile Vision-Sensoren, Smartphones, Tablets, Handhelds, SOMs (System on Modules) sowie SOCs (System on Chips) in diesem Kontext immer mehr verbreitet. Grund hierfür ist, dass diese Devices heute mit performanten, industrietauglichen und langzeitig verfügbaren Prozessoren ausgerüstet sind. Zudem punkten Embedded- Geräte mit klaren Vorteilen gegenüber stationären Systemen: Erstere benötigen weit weniger an Platz, haben einen geringeren Strombedarf und sind mittlerweile robust gegenüber rauen Industriebedingungen. Aus diesen Gründen nimmt der Markt für Embedded-Systeme an Fahrt auf. Bildverarbeitungssysteme spielen Schlüsselrolle Um die kompakten Geräte für Bildverarbeitungsanwendungen im industriellen Umfeld effizient nutzen zu können, sollten diese „Machine-Vision-ready“ sein, das heißt Bildverarbeitungssysteme sollten sich problemlos darauf betreiben lassen. Denn diese spielen eine Schlüsselrolle im Rahmen von durchgängig automatisierten Wertschöpfungsketten. Machine Vision ist in der Lage, verschiedene Objekte anhand optischer Merkmale automatisiert zu erkennen. Dafür sind an mehreren Stellen Bildeinzugsgeräte wie Kameras oder 3D-Sensoren positioniert und nehmen das Fertigungsgeschehen lückenlos auf. Die dabei erzeugten, digitalen Bilddaten werden von einer integrierten Machine-Vision- Software verarbeitet und anschließend für verschiedenste Anwendungen in der automatisierten Prozesskette bereitgestellt. Vorteile im Rahmen der Fehlerinspektion Als „Auge der Produktion“ hat Machine Vision die industriellen Szenarien umfassend im Blick, was die Prozesse sicherer und effizienter macht. So können mithilfe der Bildverarbeitung Werkstücke zur Bearbeitung präzise positioniert und ausgerichtet werden. Roboter können Gegenstände exakter greifen und die Interaktion zwischen Maschinen und Menschen wird optimiert. Und nicht zuletzt spielt die Bildverarbeitung ihre Vorteile bei der Fehlerinspektion im Rahmen der Qualitätssicherung aus: Mangelhafte Produkte lassen sich zuverlässig entdecken und automatisiert aussortieren, bevor sie in die logistische Lieferkette gelangen. Für eine durchgängige industrielle Automatisierung ist es wichtig, dass Machine- Vision-Algorithmen auch für den Betrieb auf Embedded-Systemen optimiert sind. Christoph Wagner ist Produktmanager Embedded Vision bei der MVTec Software GmbH in München 50 INDUSTRIELLE AUTOMATION 03/2020 www.industrielle-automation.net

INA_Muster_Titel_Post_Label_2019_09_alte_Version.indd 3 14.11.2019 14:35:53 Werden beide Technologie-Welten nahtlos miteinander integriert, spricht man von Embedded Vision. Die Embedded-Geräte können – ausgestattet mit leistungsfähiger Machine-Vision-Software und Rechenleistung – auch anspruchsvolle Bildverarbeitungsaufgaben problemlos ausführen. Dabei sollte die Software mit den gängigen Embedded-Plattformen kompatibel sein. Dazu zählt z. B. die weit verbreitete Arm-Prozessor-Architektur. Damit können auch auf kompakten Devices standardmäßig robuste Machine-Vision-Funktionen genutzt werden, die sonst nur auf stationären PC-Systemen lauffähig sind. Deep Learning als Treiber für Embedded-Vision-Markt Eine bedeutende Rolle bei der Weiterentwicklung des Embedded-Vision-Marktes spielen Verfahren der künstlichen Intelligenz (KI) wie Deep Learning basierend auf einer Architektur von Convolutional Neural Networks (CNNs). Die Technologie fungiert als wichtiger Treiber und Beschleuniger für die Entwicklung immer leistungsfähigerer Embedded-Geräte. Deep Learning trägt dazu bei, neue Anwendungen möglich zu machen und bei bestehenden Applikationen noch robustere Erkennungsergebnisse zu erzielen sowie die Machine-Vision-Prozesse mitunter signifikant zu vereinfachen. Erreicht wird dies durch das gezielte Training eines CNNs und die Klassifizierung von Objekten. Dabei werden zunächst die von den Bildeinzugsgeräten generierten, digitalen Bilddaten durch die Machine-Vision-Software verarbeitet und ausgewertet. Während des Trainingsprozesses lernt das System automatisch bestimmte Eigenschaften, die typisch für diejenigen Klassen sind, auf denen die Weiterverarbeitung der Bilddaten beruht. Klassen sind in diesem Zusammenhang z. B. Objektklassen wie „Apfel“ oder „Birne“ oder auch Defektklassen wie „Delle“ oder „Kratzer“. Für die Einteilung in Klassen nutzt das System spezielle Objektmerkmale wie Form, Farbe oder Textur. Das Ergebnis des Trainings ist, dass sich neue Bilddaten – und damit auch die zu erkennenden Gegenstände oder Defekte – automatisch und exakt einer spezifischen Klasse zuordnen lassen. Neben der Klassifizierung ist mithilfe von Deep-Learning-Algorithmen auch die zielgenaue Lokalisierung von Objekten und Produktfehlern möglich. Leistungsfähige CPU oder GPU erforderlich Deep-Learning-Algorithmen erfordern i.d.R. eine hohe Rechenleistung. Daher müssen Embedded-Systeme über entsprechende Hardware-Komponenten verfügen, um KI- Funktionen ausführen zu können. Dazu zählt in erster Linie eine leistungsfähige CPU (Central Processing Unit). Noch besser laufen die Prozesse auf einer GPU (Graphics Processing Unit), mit der sich auch anspruchsvolle Deep-Learning-Features beschleunigen und effizienter handhaben lassen. Eine GPU hat jedoch einen hohen Energiebedarf und produziert viel Abwärme. Darüber hinaus sind die meisten Embedded Devices nicht mit einem derartig leistungsstarken Grafikprozessor ausgestattet. Dies gilt auch oftmals für herkömmliche Industrie-PCs, die häufig nur über eine konventionelle CPU verfügen. Während die so genannte Inferenz, also die Ausführung von Deep-Learning-Prozessen, direkt auf dem Embedded-Gerät erfolgen kann, bedarf es für das Training des CNNs eines stationären PCs. Um hierfür auch klassische Industrie-PCs nutzen zu können, ermöglicht MVTec mit dem aktuellen Release 20.05 der Machine-Vision-Standardsoftware Halcon nun auch das Training auf einer CPU, anstatt auf einer GPU. Unternehmen können dadurch Deep-Learning-Technologien wesentlich flexibler einsetzen, da sich das Training direkt an der Produktionslinie durchführen lässt. So lässt sich neueste Technologie vorteilhaft nutzen, ohne Hardware anzupassen. Resümee Zusammenfassend lässt sich festhalten, dass Embedded-Vision-Systeme heute moderne Deep-Learning-Technologien benötigen, um durchgängig automatisierte, industrielle Wertschöpfungsketten sicherzustellen. Durch den Einsatz von Deep Learning sowie entsprechend gezieltem Training werden neue Machine-Vision-Anwendungen möglich. Ebenso lassen sich Erkennungsraten signifikant verbessern und viele Machine- Vision-Prozesse vereinfachen. Bilder: Aufmacher Nataliya Hora – adobe.stock.com; Einklinker gremlin – iStock; sonstiges MVTec www.mvtec.com 02 Mithilfe der Software lassen sich Deep-Learning-Features auf Embedded- Plattformen nutzen TECHNIKWISSEN FÜR INGENIEURE www.industrielle-automation.net TITELSTORY BEWEGLICH UND ROBUST Energieketten spielen in Portalanlagen ihre Stärken aus Jahresabo Inland nur 62 € (inkl. MwSt. und Versandkosten) ➡ 6 Ausgaben im Jahr ➡ Begrüßungsgeschenk Bluetooth-Lautsprecher MSS-560.bt3 inkl. Zubehör; kompatibel mit Bluetooth-Smartphones, Tablets und PCs Sichern Sie sich den lückenlosen Bezug wertvoller Informationen! 6 Telefax: 06131/992-100 @ E-Mail: vertrieb@vfmz.de Internet: vereinigte-fachverlage.de & Telefon: 06131/992-147 www.industrielle-automation.net INDUSTRIELLE AUTOMATION 03/2020 51 INA_Aboanzeige_60x265_2020_05.indd 1 25.05.2020 10:18