Damian Heimel von deevio erläutert, wann traditionelles Machine Vision an seine Grenzen kommt und warum es auch für Unternehmen, die auf herkömmliche Bildverarbeitung gesetzt haben und mit dem Ergebnis unzufrieden sind, noch nicht zu spät ist, auf Bildverarbeitung mit Deep Learning umzusteigen.
Kannst du zu Beginn einmal erklären, was traditionelles Machine Vision bedeutet und wie es funktioniert?
Machine Vision meint Bildverarbeitung im industriellen Bereich. Es geht also darum, Sichtprüfungen, besonders innerhalb der Produktionslinie, zu automatisieren. Zu diesem Zweck werden Kameras in die Produktionslinie integriert, Bilder aufgenommen und eine passende Software erstellt. Die Softwareerstellung ist bisher regelbasiert erfolgt. Man kann sich das so vorstellen: Man hat das Bild vor sich und bestimmt sehr spezifische Regeln dazu. Beispielsweise, dass ein Kratzer immer von links oben nach rechts unten geht oder, dass der Abstand immer 55 mm betragen soll. Gerade innerhalb der Produktionslinie wird Machine Vision schon sehr häufig eingesetzt und funktioniert für solche Anwendungen auch super. Es gibt wahrscheinlich kaum noch Produktionslinien, bei denen das nicht der Fall ist. Hierbei wird normalerweise an mehreren Stellen der Produktionslinie auf kleinere Fehler in Teilbereichen des Produkts geachtet, seltener auf ganze Produkte.
Warum gibt es dann so viele Unternehmen, die dem Thema Bildverarbeitung skeptisch gegenüberstehen? Woher kommt die Unzufriedenheit?
Das ist stark vom Anwendungsfall abhängig. Auch wir würden unseren Kunden nach wie vor empfehlen, bei Aufgaben wie dem Messen von Abständen, zu regelbasierten Machine Vision Verfahren zu greifen. Nun gibt es aber einige Aspekte, die mit den herkömmlichen Bildverarbeitungsverfahren schwer abzubilden sind. Dazu zählt zum Beispiel das Erkennen von Kratzern oder Dellen.
Viele Unternehmen haben bereits in Machine Vision Systeme mit sehr guter Hardware investiert, deren Software aber nicht in der Lage ist, die angesprochene Variabilität der Fehler abzubilden.
Diese Unternehmen haben bemerkt, dass die Systeme unverhältnismäßig hohe Pseudofehlerraten, die teilweise bei 30-50 Prozent liegen, erzielen. Ein Grund dafür ist, dass die Bildverarbeitungssysteme oft sehr sensibel eingestellt sind und damit auf kleine Abweichungen stark reagieren.
Das kann ein einfallender Lichtstrahl sein oder jemand, der versehentlich gegen die Maschine tritt und den Kamerawinkel dadurch verändert. Die daraus resultierende Pseudofehlerrate führt dazu, dass die Prüfkosten nicht wie erwartet geringer werden und die teuren Systeme im Prinzip wertlos sind. Stattdessen müssen die Produkte, trotz der Investition in die Systeme, mehrfach geprüft werden, um Fehler vorzubeugen, was letztendlich die Kosten für die Produkte nach oben treibt. Daher rührt die Skepsis vieler Unternehmen gegenüber dem Thema Bildverarbeitung.
Was können diese Unternehmen, die schon in ein Machine Vision System investiert haben, tun?
Wir bei deevio können diesen Unternehmen helfen. Und zwar können wir mit den Bildern aus den bereits installierten Systemen, die eine sehr gute Bildqualität haben, ein Deep Learning Modell trainieren, das wirklich gut funktioniert. Dieses wird auf einer unserer AI-Boxen bestehend aus Grafikkarte und Minicomputer installiert und in das schon vorhandene System eingebaut. Da unsere Software dazulernt, ist sie flexibler und kann mit einigen Anwendungsfällen besser umgehen. Dadurch können wir die Pseudofehlerrate von 50 auf bis zu 1 Prozent reduzieren. Wir sind also in der Lage, das System zu retrofitten.
Wieso sollte ein Unternehmen nun zusätzlich noch in eure Lösung investieren, obwohl es bereits ein Bildverarbeitungssystem hat?
Zum einen, weil es für das Unternehmen ein relativ einfacher und unkomplizierter Prozess ist. Die Hardware bleibt dieselbe. Nur die Software verändert sich. Zum anderen, weil man die eigentlich schon versenkten Investitionskosten dadurch wieder retten kann und am Ende des Tages ein funktionierendes Bildverarbeitungssystem hat, das die Prüfkosten tatsächlich reduziert.
Im nächsten Interview beschreibt Damian die einzelnen Schritte näher, die ein Unternehmen durchläuft, wenn es seine abschließende Qualitätskontrolle mit Hilfe von deevio automatisieren will.
コメント