Deep Learning in der industriellen Inspektion
Kann DEEP LEARNING als universelles Werkzeug für die industrielle Bildverarbeitung eingesetzt werden, so wie ein Schweizer Messer? Wir am AIT Austrian Institute of Technology arbeiten an vorderster Front, um Aufgabenstellungen in der industriellen Bildverarbeitung mit Methoden des maschinellen Lernens zu lösen.
Vorteile von Deep Learning
Deep Learning kann kostspielige und arbeitsintensive Prozesse minimieren und gleichzeitig die Geschwindigkeit und Genauigkeit der Qualitätsprüfung erhöhen. Deep Learning-Methoden wie CNNs (Convolutional Neural Networks) sind Methoden, die die Prinzipien des menschlichen Gehirns nachahmen, um Probleme zu lösen. CNNs werden an einem bestimmten Datensatz trainiert. Durch die Analyse einer riesigen Datenbank, kann die Software Muster erkennen. Im Gegensatz zu klassischen Methoden, bei denen Modelle entworfen und in Formeln gegossen werden, können mittels Deep Learning auch unscharfe Probleme gelöst werden.
Anwendungen
Mit Hilfe von neuronalen Netzen können verschiedene Aufgaben im Bereich der industriellen Inspektion gelöst werden wie z.B.
- die Fehlerklassifizierung
- die Fehler- und Anomalie-Erkennung und
- der Ersatz von komplexen Abbildungsalgorithmen zugunsten einer besseren Qualität und Laufzeit.
Herausforderungen
Das Trainieren der Systeme erfordert immer noch eine große Menge an kommentierten Daten. In industriellen Produktionsprozessen ist die Datenlage und Dokumentation, wie ein fehlerfreies Produkt auszusehen hat, sehr gut. Was Defekte betrifft, so gibt es häufig nicht ausreichende Bilddokumentationen. Diese sind jedoch für ein erfolgreiches Training eines neuronalen Netzes genauso wichtig wie die sog. "guten Datensätze".
Wir lösen dies mit folgenden Methoden
- Lernen mittels einer Klasse (one class learning)
- Datenerweiterung
- Generative Kontradiktorische Netzwerke (GAN)
Bereitstellung
Mit der Erfahrung aus unserer Forschung, die wir in speziellen Entwicklungsumgebungen durchgeführt haben, können wir:
- Deep-Learning-Lösungen so einfach wie möglich halten,
- die Einsatzfähigkeit und hohe Verarbeitungsgeschwindigkeit sicherstellen,
- den Aufwand für den Einsatz auf verschiedenen Plattformen minimieren,
- verfügbare Hardwaretechnologien für den Einsatz von Deep Learning untersuchen,
- unsere eigenen Deep-Learning-Ansätze und Lösungen verwenden, um sie auf Standard-Hardwaren zur Einsatzüberprüfung bereitzustellen.
Lösung von Aufgaben und Problemstellungen mit Deep Learning
Durch den Einsatz von Deep Learning ist es möglich, Probleme und Aufgaben zu lösen, bei denen traditionelle Bildverarbeitungsalgorithmen versagen, so z.B. bei folgenden Aufgabenstellungen.
Klassifikation
- Zuverlässige Objekt-Klassifizierung z.B. Defekte, Münzen, Komponenten, Textur, Zeichen...
- Unterscheidung zwischen echten und Pseudo-Defekten
- Deep Learning erhöht die Klassifizierungsleistung
Substitution komplexer Algorithmen
- Bestehende und moderne, komplexe Bildverarbeitungsalgorithmen können durch Neuronale Netze (z.B. CNNs) ersetzt werden
- Neuronale Netze lernen die viel zu langsamen und komplexen Bildverarbeitungsalgorithmen nachzuahmen
- Neurale Netze sind besonders schnell und präzise
One Class Learning (dem Ein-Klassen-Lernen) bzw. der Anomalienerkennung
- Das Trainieren erfolgt nur mit guten Proben
- Keine oder nur wenige schlechte Proben sind für das Trainieren erforderlich
- Selbst schwer erkennbare Defekte werden entdeckt
- Die Fehlererkennung erfolgt präszise, obwohl nur mit sog. "guten Daten" trainiert worden war
Datenerweiterung
- Training mit einer unzureichenden Anzahl von Daten
- Berechnung von künstlich, aber realistisch aussehenden Trainingsdaten mit Hilfe von Generativen Adversarial-Netzwerken (GANs)
- Wenige annotierte Trainingsdaten sind erforderlich
