Deep Learning in der Bildverarbeitung

Was sind die Unterschiede zur regelbasierten Bildverarbeitung? 

Bei der traditionellen, regelbasierten Bildverarbeitung werden ein oder mehrere Objekte im Bild kontrastiert und mithilfe von Kantenfindern oder Schwellwertverfahren vereinzelt, um sie zu prüfen. Anwendungen wie das Erkennen von Anomalien mit schwachem Kontrast zum Hintergrund sind für die regelbasierte Bildverarbeitung sehr herausfordernd und der Programmieraufwand ist enorm. Mit Deep Learning und Convolutional Neural Networks (CNNs) nutzen wir die bereits erwähnten Beispielbilder, um ein neuronales Netzwerk für solche Anwendungsfälle gezielt zu trainieren. Im Trainingsprozess kommen Verfahren wie Supervised und Unsupervised Learning zum Einsatz.

Wird die regelbasierte Bildverarbeitung überflüssig?

Auch in Zukunft wird die regelbasierte Bildverarbeitung nicht ausgedient haben. Manche Anwendungsfälle sind nicht oder nur schwer mit Deep Learning zu lösen. Dazu zählen das präzise Messen von Objekten oder das Identifizieren von Strich- und Datamatrix-Codes. Bei Harro Höfliger betrachten wir Deep Learning-basierte Bildverarbeitung deshalb nicht als einen Ersatz, sondern als eine wertvolle Ergänzung zur regelbasierten Bildanalyse. Gerade das Zusammenspiel der Methoden sorgt für eine ideale und prozesssichere Qualitätskontrolle. Die Kombination beider Methoden kann einen Beitrag dazu leisten, dass Maschinen nicht nur exakt produzieren, sondern Fehler noch besser und schneller erkennen. Dafür setzen wir unter anderem auf das Potenzial von Smartkameras und PC-basierten Kamerasystemen. 

Welche Rolle spielt die Hardware? 

Tatsächlich stellt Deep Learning vergleichsweise hohe Anforderungen an die Hardware. Speziell das Trainieren der neuronalen Netze mit der hohen Anzahl an Daten und Trainingszyklen ist sehr rechenintensiv. Im Gegensatz zu den herkömmlichen CPUs, welche bei solch einer Aufgabenstellung sehr schnell an ihre Leistungsgrenzen kommen, werden moderne GPUs (Grafikprozessoren) eingesetzt. Durch die hohe Anzahl an Kernen lässt sich eine hohe Parallelität erzielen, was sowohl die Trainingszeit als auch die Ausführung (Inferencing) deutlich beschleunigt. Für die hohe Leistungsaufnahme einer Grafikkarte von 200 Watt und mehr kommt zusätzlich eine entsprechend leistungsstarke Stromversorgung zum Einsatz. Nur mit einer gut abgestimmten und angepassten Hardware lassen sich Deep Learning Bildverarbeitungssysteme auch bei hohen Maschinengeschwindigkeiten und Taktzahlen realisieren.

 

Haben Sie ein Beispiel für ein aktuelles Projekt?

Derzeit arbeiten wir an einer Lösung für eine Lageprüfung und Bestimmung der Ausrichtung von Schlauchbeuteln auf einem Zuführband mit einer Pickerzelle.  Dabei ist es wesentlich, dass die Kunststoffampullen im Beutel immer mit der Öffnung nach oben in den Karton eingesetzt werden. Die Beutel sind jedoch aus Aluminiumfolie und der Inhalt somit nicht sichtbar. Die Lagebestimmung der Flowpacks (X-Y-Koordinaten und Rotation) ist mit heutigen Bildverarbeitungssystemen problemlos umzusetzen. Anders sieht es mit der Ausrichtung der Beutel aus. Nur minimale Eigenschaften, wie beispielsweise die Siegelkontur, liefern Informationen über die Lage der Kunststoffampullen im Beutel. Mit Deep Learning und seinen Klassifikationsverfahren von Objekten konnten wir unserem Kunden eine gute Lösung für diese anspruchsvolle Aufgabe präsentieren.