Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
36 objekterkennung www computerautomation de ● 9 20 Optische Inspektion mit künstlicher Intelligenz Künstliche neuronale Netze in Kombination mit Deep-Learning-Methoden können die automatische optische Inspektion AOI sowie die Objekterkennung in Fertigungsprozessen optimieren Wie lässt sich allerdings zum Beispiel Echtzeit-Fähigkeit gewährleisten? Geht es bei der optischen Inspektion um identische und eindeutig identifizierbare Merkmale ist das maschinelle Sehen wie es sich in der Industrie etabliert hat hervorragend geeignet Je mehr Unschärfen es gibt desto höher ist jedoch die Fehlerquote Und geht es um die Erkennung von Varianten oder gänzlich anderen Objekten muss die Software mit relativ hohem Aufwand neu programmiert werden Beide Schwachstellen lassen sich mit dem Einsatz von Deep-Learning-Methoden umgehen Die Basis für Deep-Learning-Methoden sind riesige Datenmengen und künstliche neuronale Netze Mithilfe unzähliger Bilder und deren Labeling als Gutoder Schlechtbilder wird das System trainiert es lernt aufgrund der Algorithmen und der künstlichen neuronalen Netze welche Objekte den Vorgaben entsprechen also gut sind und welche nicht Im Einsatz lernt das System stetig weiter und die Erkennungsquote verbessert sich kontinuierlich Nach einer kurzen Trainingsphase kann das System außerdem mit Objektvarianten oder anderen Objekten umgehen und nicht nur die Qualität inspizierter Teile beurteilen sondern Objekte auch zuverlässig klassifizieren Hierfür muss die Software riesige Datenmengen verarbeiten können Das heißt es sind hochperformante Prozessoren oder je nach Anwendungsfall auch Grafikkarten nötig Einige Unternehmen lagern diese Prozesse in Cloud Services aus Häufig lässt es sich jedoch nicht vermeiden das Processing nahe an der Applikation auszuführen wenn es um Themen wie Latenz Bandbreite oder Security geht GPUbasierte Lösungen haben den Nachteil dass sie sehr viel Energie verbrauchen Cloudbasierte Lösungen gehen mit Latenzzeiten und schwankenden Bandbreiten einher sodass sich harte Echtzeit in der Regel nicht sicherstellen lässt Zudem müssen Sicherheitsfragen geklärt werden um Datenspionage oder -manipulation zu verhindern An der Edge einsetzbar Intel bietet nun mit der aktuellen Generation der Vision Processing Unit VPU Movidius Myriad X MA2485 eine Alternative die an der Edge einsetzbar ist und die für Industrieprozesse nötige Echtzeit-Fähigkeit und Sicherheit gewährleistet Die VPU ist mit einer neuronalen Recheneinheit ausgestattet die ausschließlich der Beschleunigung der anspruchsvollen Deep-Learning-Berechnungen Inferenzen dient ohne dabei viel Energie aufzunehmen Dadurch liefert die Myriad-X-Architektur eine Rechenleistung von 1 TOPS das sind eine Billion Operationen pro Sekunde Die Gesamtleistung kann bis über 4 TOPS reichen Da die Recheneinheit speziell auf das Schlussfolgern Inference ausgelegt ist muss für das Training der Modelle weiterhin auf klassische Lösungen gesetzt werden Neben dieser neuronalen Recheneinheit sorgt eine Reihe weiterer Komponenten dafür dass die VPUs auch bei kontinuierlich hohen Arbeitslasten durch Deep-Learning-Prozesse enorm Bilder Intel