Individuelle Lösungen

Lösungen mit Künstlicher Intelligenz

Für spezielle Anforderungen benötigt es spezielle Lösungen: in-situ bietet durch Methoden der Künstlichen Intelligenz individuelle Lösungen an, um geometrisch nicht definierbare Aufgaben messen zu können, Trends zu erkennen und intelligente Vorhersagen zu treffen.

Lösungen mit Künstlicher Intelligenz

Unsere Lösungen mit Künstlicher Intelligenz

Mustererkennung, Klassifikation, Fehlerdetektion & Lesen von Zeichen und Codes

Selbstfahrende Autos, Gesichtserkennung, automatisiertes Übersetzen - Methoden der Künstlichen Intelligenz (KI) werden immer mehr zu einem Teil unseres Alltags. Insbesondere die Variante Deep Learning erschließt eine neue Dimension des maschinellen Lernens. Das uns Menschen natürlich erscheinende Lernen anhand von Beispielen wird dabei durch künstliche, aus vielen Lagen aufgebaute neuronale Netze auch für Computer und Roboter zur Realität. Dies eröffnet neue Anwendungsbereiche der optischen Inspektion in der Fertigungstechnik. KI-Methoden sind immer dann eine Option, wenn es nicht um geometrisch definierbare Aufgaben geht, sondern um variable Muster und Formen mit vielfältigen Varianten und Ausprägungen, wenn Trends erkannt und intelligente Vorhersagen sowie Entscheidungen getroffen werden müssen.

Einige typische industrielle Anwendungsbereiche von KI-Systemen sind:

  • Mustererkennung: Bei der Identifizierung und Lokalisierung von Objekten in komplexen Szenen stoßen die klassischen, kantenbasierten Verfahren an ihre Grenzen, wenn die Objekte hinsichtlich Größe, Farbe, Orientierung, Varianten und Deformationen eine große Bandbreite aufweisen. In der Lernphase werden einige Beispielobjekte aufgenommen, in der Produktionsphase werden passende Objekte schnell und sicher erkannt und lokalisiert.
  • Klassifikation: Oft müssen ähnliche Objekte unterschieden und in verschiedene Klassen eingeteilt werden. Hier ist Deep Learning den nach festen Regeln arbeitenden Systemen weit überlegen. Ein großer Vorteil ist, dass bei der Konfiguration auf die Festlegung von für die Klassifizierung wesentlichen Merkmalen verzichtet werden kann – mit Deep Learning geschieht dies automatisch. In der produktiven Phase gelingt dann die Kategorisierung innerhalb von Millisekunden und mit höchster Treffsicherheit.
  • Fehlerdetektion: Produktionsfehler machen sich häufig durch Form-, Farb- und Texturabweichungen bemerkbar. Dies ist schon immer eine Herausforderung für optische Inspektionssysteme. Problematisch wird es bei umfangreichen Fehlerkatalogen mit feinen Abstufungen, oder wenn prozessbedingte Anomalien auftreten können, die tatsächlichen Fehlern visuell ähnlich sind, aber die Funktion des Teils nicht beeinträchtigen und eher „kosmetischer“ Natur sind. In solchen Fällen ist Deep Learning die Methode der Wahl.
  • Lesen von Zeichen und Codes: Wenn es wirklich schwierig wird, etwa bei starken Deformationen, schlechtem Kontrast und Spiegelungen, dann sind KI-basierte Algorithmen auch im Bereich Optical Character Recognition (OCR) unschlagbar.
  • Kombination mit klassischen Verfahren: Die künstliche Intelligenz ist nicht dazu geeignet, die herkömmlichen Methoden der Bildverarbeitung in jeder Beziehung zu ersetzten. Wenn es um Messen von Distanzen und genaues Orientieren geht, sind regelbasierte Algorithmen besser geeignet. Vorteilhaft ist die Kombination beider Verfahren, etwa die exakte Justierung eines Objekts mit traditionellen Tools und die Oberflächeninspektion mit KI-Unterstützung.

Technische Details

Das steckt dahinter:

merkmalextraktion

Merkmalextraktion

Merkmalextraktion mit problemspezifischen Filterfunktionen.

muster

Muster

Einlernen, Erkennen, Lokalisieren, Bewerten und Klassifizieren von Mustern.

lernen

Lernen

Unüberwachtes (unsupervised) Lernen: zum Einlernen genügen Gutmuster

Überwachtes (supervised) Lernen: Verwendung von Gut- und Schlechtmustern

trennung

Trennung

Trennen von zwei Merkmalsklassen durch Support Vector Machines.

algorithmus

Algorithmus

Einfache und schnelle Klassifizierung von Texturen durch k-nearest Neighbors Algorithmus.

deep learning

Deep Learning

Wenn es wirklich schwierig wird: Einsatz der innovativen KI-Methode Deep Learning.

 

Ihre Vorteile

vorteile

Flexibilität

Flexible Einsetzbarkeit in der Mustererkennung, Texturanalyse, Klassifizierung und Lesen von Zeichen unter erschwerten Bedingungen.

vorteile

Optimierung & Skalierung

Optimierte Leistungsfähigkeit hinsichtlich Kosten und auf die Arbeitsgeschwindigkeit skalierbare Algorithmen.

vorteile

ViDi

Einsatz der bewährten Deep Learning Suite „ViDi“ von Cognex mit Erweiterung durch eigene Verfahren.

vorteile

Einfach & schnell

Einfache und schnelle Lernverfahren – maximal 25 Muster genügen für ViDi.

vorteile

Anpassungsmöglichkeit

Geringer Anpassungsaufwand bei Änderungen der Anforderungen.

vorteile

Industrieeinsatz

Implementation auch in intelligenten Kameras für den rauen Industrieeinsatz.

Branchen

Anwendungen in den verschiedenen Branchen

Automotive

Textil / Automotive

blue-line

Das Beispiel zeigt eine Detektion von Webfehlern durch die Kombination von einer 3D-Aufnahme und einer Support Vector Machine. Auf den Bildern ist ein 2D-Bild links, ein 3D-Bild in der Mitte und die Fehler-Lokalisation rechts.

Lebensmittel

Lebensmittel

blue-line

Lokalisieren und Erkennen von Pralinen mit der Deep Learning Software ViDi.

Lebensmittel

Lebensmittel

blue-line

Die linke Spalte zeigt 4 von insgesamt 12 Becher-Typen mit Keksen. Rechts sind drei der insgesamt 6 Merkmale visualisiert. Die Prüfung der gewünschten Produktsortierung in den Trays erfolgt mit Hilfe des k-Nearest-Neighbor Algorithmus.

Maschinenbau

Maschinenbau / Metall

blue-line

Erkennen eines Ausbruchs an einer Schraube mit der Deep Learning Software ViDi.

Verpackung

Verpackung

blue-line

Lesen unter erschwerten Bedingungen mit der Deep Learning Software ViDi wird in der Verpackungsindustrie für Verschlusskappen angewandt.

Mehr Informationen gewünscht?

Nehmen Sie Kontakt mit unseren Experten auf, um über Lösungen mit Künstlicher Intelligenz zu sprechen!

Kontaktieren Sie uns