Zukunft Deep Learning: Wie Sick mit smarten Lösungen die industrielle Bildverabeitung möglich macht

„Der Einstieg für Unternehmen in die industrielle Bildverarbeitung muss nicht kompliziert sein. KI erledigt teilweise schon mittels Deep Learning zahlreiche Aufgaben.“ René Klausrigler, Teamleader Market Product Management bei Sick Österreich

Herr Klausrigler, wie kompliziert ist der Einstieg für Unternehmen in die industrielle Bildverarbeitung?

Der Einstieg muss gar nicht kompliziert sein! Darüber hinaus ist die Bildverarbeitung für industrielle Anwendungen nicht so schwierig wie oft angenommen, denn die KI erledigt teilweise schon mittels Deep Learning zahlreiche Aufgaben. Dabei übernehmen Computer menschliche Entscheidungs- und Problemlösungsprozesse und erlernen Sollzustände mit Unterstützung von Sensoren. So werden Abweichungen aller Art identifiziert. Einen wirklich unkomplizierten Einstieg in die Bildverarbeitung für industrielle Anwendungen offerieren wir mit dem Starterpaket Gold Deep Learning von Sick. Dieses Paket beinhaltet sogar eine anwenderorientierte Unterstützung durch einen Sick-Experten vor Ort.

Mit dem Starterpaket Gold Deep Learning werden Kundenin einem 2-tägigen Training selbst zum Profi. Ein Sick-Experte erklärt die fachgerechte Inbetriebnahme von 2D-Vision-Sensoren, macht Anwender mit den Möglichkeiten von KI vertraut und gibt zahlreiche Tipps mit an die Hand. Im Anschluss kann jeder mithilfe des Sensors selbstständig Daten sammeln und das Neuronale Netzwerk trainieren.

Industrielle Bildverarbeitung muss nicht schwer sein. Je nach Anspruch bietet Sick ein breites Portfolio an Lösungen.

Was bildet den Schwerpunkt beim Training bzw. Einstieg vor Ort durch einen Sick-Experten?

Im Fokus steht die richtige Einstellung für die Sensoren, die Abstimmung des Netzwerks sowie anwendbare Tipps für die Praxis. Hierzu gehört vor allem auch die Bildung der optimalen Datenbasis für das Trainieren des Neuronalen Netzes. Nach dem Training können mithilfe des Sensors selbstständig Daten angereichert und das Neuronale Netz für die jeweilige Anwendung trainiert werden. Dies ist die ideale Grundlage für den erfolgreichen Einsatz von Deep Learning in der Praxis.

2022 hat Sick zur LogiMAT am Beispiel des mit dem IFOY-Award nominierten Palettenklassifizierungssystems PACS (Pallet Classification System) demonstriert, wie sich mit KI komplexe Aufgaben automatisieren lassen.

Für unterschiedliche Anforderungen stehen sowohl 2D- als auch 3D-Kontrollen zur Verfügung. Worin liegen die Unterschiede?

3D-Systeme sind grundsätzlich umfassender und teilweise komplizierter als 2D-Systeme, die für die meisten Anwendungen ausreichen, weitaus häufiger vorkommen und auch preislich günstiger sind. Die 2D-Vision eignet sich für Anwendungen mit einem hohen Kontrast oder wenn Struktur und Farbe des Objekts ausschlaggebend sind. Bei der 2D-Bildverarbeitung wird die zu analysierende Szene entweder sofort von einer Flächenkamera oder mittels Scanverfahren mit einer Zeilenkamera erfasst. 2D-Vision-Sensoren von Sick lassen sich einfach für zahlreiche Anwendungen konfigurieren. Sie sind besonders flexibel und verfügen über programmierbare Erweiterungsfunktionen, mit denen sich auch anspruchsvolle Aufgabenstellungen komfortabel lösen lassen. In Kombination mit dem Portfolio an 2D-Vision-Kameras eröffnen sich weitere Möglichkeiten, sodass für jede Automatisierungsaufgabe ein geeigneter Sensor zur Verfügung steht.

3D-Vision spielt ihre Stärken aus, wenn ein schlechter oder gar kein Kontrast zum Hintergrund gegeben ist. Dann sind Höheninformationen gefragt. Zum Einsatz kommen dabei Scan- und Snapshot-Technologien. Das Sick 3D-Vision-Portfolio umfasst ein breites Spektrum, von leistungsstarken 3D-Hochgeschwindigkeitskameras bis hin zu 3D-Vision-Sensoren für den Stand-alone-Betrieb. Unterschiedliche 3D-Technologien sorgen für eine genau passende Applikationslösung.

2022 hat Sick zur LogiMAT am Beispiel des mit dem IFOY-Award nominierten Palettenklassifizierungssystems PACS (Pallet Classification System) demonstriert, wie sich mit KI komplexe Aufgaben automatisieren lassen. Können Sie kurz darauf eingehen?

Einer unserer Kunden stand vor dem Problem, dass seine Mitarbeiter im Wareneingang manuell ermitteln mussten, ob die eintreffenden Paletten einem Palettenpool angehören und entsprechend bepfandet werden müssen. Bisher handelte es sich dabei um eine Zusatzaufgabe beim Wareneingang, die ressourcenintensiv und fehleranfällig war. Mit der Deep Learning-basierten Palettenidentifikation PACS aus unserem Haus erhielt der Kunde die Möglichkeit, auf Basis eines modularen Baukastens aus Hard- und Software einen bisher aufwendigen und manuellen Prozess zu automatisieren. Dieses innovative System wurde ob seiner anwenderfreundlichen und smarten Tools ausgezeichnet.

Welche Bausteine gehören zum PACS?

Der Baukasten basiert auf dem Sick AppSpace und dStudio. AppSpace ist ein innovativer Ansatz zur Realisierung von leistungsfähigen Apps auf Sick-Sensoren. dStudio ist ein webbasiertes Tool zur Klassifizierung von Bildern auf Basis künstlicher, neuronaler Netze, die auf Sick-Sensoren eingesetzt werden können.

Wie funktioniert PACS?

Die Hardware des Systems besteht aus einer oder mehreren Farbkameras, mit denen die Bilder für das System aufgenommen werden. Zudem gehört eine Lichtschrankenanordnung zur Triggerung und ein Controller zur Verarbeitung der aufgenommenen Daten bzw. zur Ausführung des trainierten neuronalen Netzwerks dazu. Auch ohne tiefergehende Kenntnis zu Programmierung oder maschinellem Lernen ermöglichen die Software-Tools Sick AppSpace und dStudio Bildaufzeichnungen, Training, Klassifizierung und die Ausführung des trainierten Netzwerks. Optional können weitere Sick-Sensoren eingebunden werden, um zusätzliche Aufgaben zu übernehmen.

Sind Programmierkenntnisse Voraussetzung?

Nein, die benötigt der Anwender nicht.

Welchen Mehrwert hat der Kunde am konkreten Beispiel?

Das Sick-System unterstützt dabei, Verluste aufgrund falsch zugeordneter Pfandpaletten zu vermeiden, Ressourcen zu sparen und die Prozessqualität signifikant zu erhöhen. Durch den platzsparenden Aufbau kann das System auch an engen Montagepositionen integriert werden. Zusammengefasst ein echter Gewinn für jeden Anwender.

Vielen Dank!