Inferenz-Kameras nutzen Deep Learning zur Klassifizierung und Ermittlung von Objekten

Smarte Kameras und Vision-Sensoren sind bereits viele Jahre wichtige Werkzeuge zur Überwachung und Steuerung der Fertigung und des Transports von Produkten in industriellen Umgebungen. Diese Geräte verfügen über integrierte Bildsensoren, Optik und Bearbeitungsfunktionen zur Aufnahme und Interpretation von Bildern und zur Ausgabe eines Ergebnisses basierend auf dieser Interpretation. Vor Kurzem gesellte sich eine neue Klasse an intelligenten Kameras diesen Geräten hinzu: Inferenz-Kameras. Diese neue Klasse an neuronalen Kameranetzwerken wird mithilfe von Deep Learning-Methoden zur Klassifizierung und Ermittlung von Objekten entwickelt. Dieser Artikel gibt einen Überblick über diese verschiedenen Kameratypen, vergleicht sie und erläutert, wie sich deren Evolution, wahrscheinlich auf die Entwicklung industrieller Systeme auswirken wird.

Vision-Sensoren sind normalerweise weniger leistungsstark und flexibel als smarte Kameras. Sie werden für spezielle Anwendungen durch Anpassung einer begrenzten Anzahl an Parametern konfiguriert. Diese Anwendungen umfassen das Lesen von Barcodes oder die Überprüfung, ob ein Merkmal vorhanden und/oder nicht vorhanden ist. Smarte Kameras sind leistungsstärker und flexibler, erfordern jedoch eine fortgeschrittenere Programmierung für ihre Aufgaben, die weitaus komplexer sind. Sowohl Vision-Sensoren als auch smarte Kameras können oft direkt mit externen Systemen gekoppelt werden, einschließlich programmierbare Logik-Controller (PLCs), die die serielle Datenschnittstelle RS232 verwenden. Viele können auch über eine Ethernet-Schnittstelle mit PCs verbunden werden.

Die Grenze zwischen Vision-Sensoren und smarten Kameras verschwimmt jedoch zunehmend. Während smarte Kameras neue Entwicklungen in der Technologie für integrierte Systeme nutzen, um eine höhere Rechenleistung zu erreichen, sind auch Vision-Sensoren leistungsstärker und flexibler geworden. Eine app-ähnliche Programmierung ermöglicht Vision-Sensoren den Übergang von einfachem Codelesen zur Erkennung der An- oder Abwesenheit von Teilen, Vollständigkeit und Positionierung.

Smarte Kameras und Vision-Sensoren nutzen einen regelbasierten Ansatz zur Ausführung ihrer Inspektionen. Dieser Ansatz eignet sich hervorragend für einfache Aufgaben wie die Erkennung von Passermarken, das Lesen von Barcodes oder Messungen.

Regelbasierte Lösungen für Bildverarbeitungsprobleme eignen sich weniger gut für komplexe subjektive Inspektionsaufgaben oder Aufgaben, bei denen viele verschiedene und potenziell gegensätzliche Variablen miteinander in Einklang gebracht werden müssen.

Neu auf dem Markt: Inferenz-Kameras

Vor Kurzem wurde eine neue Kameraklasse mit integrierter Intelligenz eingeführt: die Inferenz-Kamera. Statt der Programmierung einer Bildverarbeitungsanwendung mit herkömmlicher Machine Vision-Software nutzen Inferenz-Kameras zuvor trainierte neuronale Netzwerke zur Ausführung der Inferenz. Mithilfe von Inferenz können diese Kameras eine hochpräzise Objektklassifizierung und -nachverfolgung bieten. Zudem liefern diese Kameras, wie smarte Kameras auch, nur Auswertungsergebnisse.
Neuronale Netzwerke werden mithilfe von Deep Learning und Datensätzen mit gekennzeichneten Bildern trainiert, die Beispiele für alle Objektklassen darstellen, zwischen denen unterschieden werden muss. Anschließend bringt sich das Netzwerk die Myriade an Kriterien, auf denen die Klassifizierung basiert, selbst bei. Die Komplexität der Anwendung bestimmt die Menge an gekennzeichneten Trainingsdaten, die zum Erreichen präziser Ergebnisse erforderlich sind. Eine einfache Inspektionsanwendung mit streng kontrollierten Parametern kann nur 50 Trainingsbilder erfordern. Im Vergleich kann eine komplexere Anwendung mit größerer Variierbarkeit Tausende gekennzeichnete Trainingsbilder erfordern. Deep Learning benötigt mehr Rechenleistung, als eine Inferenz-Kamera bieten kann. Deep Learning wird normalerweise auf einem PC mit leistungsstarker GPU oder auf einer Cloud-Computing-Plattform ausgeführt. Das trainierte neuronale Netzwerk wird dann optimiert und auf die Inferenz-Kamera geladen.
Inferenz-Kameras können die Lücke zwischen smarten Kameras und Vision-Sensoren sowie industriellen Kameras schließen, die vollständige Bilder an ein Hostsystem senden. Inferenz-Kameras können als smarte Kamera fungieren, wobei sie Bilder aufnehmen und verarbeiten und dann über GPIO Ergebnisse ausgeben. Sie können Ergebnisse auch als GenICam-Chunk-Daten sowie vollständige Bilder an einen Host senden.

Auswirkungen auf die Industrie

Die sich entwickelnden Fähigkeiten von Kameras mit integrierter Intelligenz schaffen neue Möglichkeiten für die Industrie, komplexere Probleme zu lösen und die Effizienz zu steigern.

Edge-Verarbeitung erhöht die Geschwindigkeit und Sicherheit

Vision-Sensoren, smarte Kameras und Inferenz-Kameras sind Beispiele für einen Trend in Richtung Edge-Verarbeitung. Durch die Verschiebung von Bildverarbeitungsvorgängen weg vom zentralen Server hin zum „Rand“ (engl. „Edge“) des Systems, werden Systeme schneller, zuverlässiger und sicherer. Wenn Bilder an ihrer Quelle verarbeitet werden, können Entscheidungen vor Ort getroffen werden. So wird die Latenz gesenkt, da keine kompletten Bilder mehr an einen Server gesendet werden müssen, um verarbeitet zu werden und die Ergebnisse zurückzusenden. Stattdessen wird nur das Ergebnis der Bildanalyse für statistische Zwecke an den Server übermittelt. Diese Ergebnisse sind für gewöhnlich einfache Zahlen- oder Textstrings, die deutlich schneller und mit viel weniger Bandbreite als Bilder verschlüsselt und übermittelt werden können.

Erhöhung der Effizienz von subjektiven Inspektionen

Inferenz-Kameras ermöglichen die Automatisierung komplexerer oder subjektiver Inspektionsaufgaben, die mit smarten Kameras oder Vision-Sensoren nicht möglich sind. Zudem ermöglichen die gewöhnlichen Vorteile von automatisierten Inspektionen und die höhere Konsistenz durch die Ausführung desselben Modells an jedem Inspektionsplatz, eine deutlich frühere Erkennung von Prozessabweichungen. Durch die Beseitigung der Varianz bei Inspektionskriterien von einem menschlichen Qualitätsprüfer zum anderen, können Trends deutlich leichter erkannt werden. Eine frühere Erkennung, ermöglicht eine frühere Ergreifung von Korrekturmaßnahmen.

Fazit

Heute stehen Systementwicklern mehr Optionen für Bildverarbeitungsgeräte zur Verfügung als je zuvor. Die sich entwickelnden Fähigkeiten von Inferenz-Kameras mit integrierter Intelligenz schaffen neue Gelegenheiten für die Industrie, komplexere und subjektive Probleme zu lösen, die Effizienz zu steigern und mehr Edge-Verarbeitungen zu ermöglichen.

Autor(en)

Kontaktieren

Flir Systems GmbH
Berner Strasse 81
60437 Frankfurt am Main
Germany
Telefon: +49 69 950090 0
Telefax: +49 69 950090 40

Jetzt registrieren!

Die neusten Informationen direkt per Newsletter.

To prevent automated spam submissions leave this field empty.