Feature Engineering
Damit Systeme des maschinellen Sehens Objekte unterscheiden können, benötigen sie Informationen, woran sich die Gegenstände erkennen lassen und wodurch sich diese voneinander differenzieren. Die Objekteigenschaften werden als Features bezeichnet. Im Bereich der Serienproduktion handelt es sich bei den zu greifenden Gegenständen immer um dieselben Serienteile. Das bietet den Vorteil, dass die Features zum Unterscheiden der Objekte beim Einrichten einer neuen Fertigungsstraße manuell anhand der Objekte generiert werden können. Das manuelle Feature Engineering ist zwar relativ aufwendig und kann Wochen in Anspruch nehmen, muss allerdings nur einmal pro Produktionsstraße durchgeführt werden. Außerdem lässt sich das Machine-Vision-System hervorragend an die zu sortierenden Gegenstände anpassen. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Deep Features
Mit Selective Laser Sintering wird meist noch nicht in Serie gefertigt. Bei Dienstleistern wie Protiq werden jeden Tag hunderte verschiedene Bauteile hergestellt. Die beschriebene Methode zum Einrichten einer Sortierungsanlage ist da nicht praktikabel. Um die gefertigten Bauteile trotzdem automatisch zu sortieren, kann man aber Machine Learning (ML) nutzen. In der Bildverarbeitung ist der Einsatz maschineller Lernverfahren weit verbreitet. Mit dem sogenannten Deep Learning (DL) empfiehlt sich ein Forschungsgebiet aus dem ML-Bereich für das beschriebene Sortieranlagen-Szenario. Sein Name ergibt sich aus der Verwendung tiefer Lernsysteme, wie beispielsweise Deep Neural Networks (DNN). Entsprechende Systeme können zahlreiche nichtlineare Probleme anhand von bestehenden Trainingsdaten selbständig erlernen. In diesem Fall könnten sie das manuelle Feature Engineering ersetzen. Auf der Grundlage der Trainingsdaten eignet sich das System stattdessen selbständig sogenannte Deep Features an. Diese werden für die Sortierung so verinnerlicht, dass sich die einzelnen Objekte durch die Features differenzieren lassen. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Paralleles Lernen
Der Dienstleister hat mit Deep Learning ein System entworfen, das die Unterscheidung der Bauteile täglich parallel zur realen Fertigung erlernen kann. Die hergestellten Bauteile werden dazu auf einer an der Sortierstation befindlichen Scanfläche durch industrielle Kameratechnik erfasst. Das trainierte System entscheidet dann auf der Grundlage des Bildes des Gegenstands, um welches Bauteil es sich handelt. Anschließend können für jeden Auftrag die zugehörigen Bauteile auf der Scanfläche visuell markiert werden. Das Verfahren unterstützt somit bei der Sortierung und reduziert ferner den manuellen Aufwand sowie das Fehlerpotenzial. Dieses Beispiel zeigt, dass sich schon heute maschinelles Lernen und künstliche Intelligenz in vielen industriellen Prozessen nutzen lässt. Darüber hinaus liefert die Forschung ständig neue Erkenntnisse, die zur weiteren Optimierung der Systeme beitragen. In Zukunft werden die Anwendungsmöglichkeiten deshalb stetig steigen, sodass ML-Verfahren einen immer größeren Beitrag zur Automatisierung und Verbesserung industrieller Prozesse leisten können.
