Aktuelle Branchenzahlen zeigen den großen Einfluss der Bildverarbeitung auf industrielle und technologische Entwicklungen. Laut VDMA wächst der ehemalige Nischenmarkt um rund neun Prozent und dank der Industrie 4.0 und Digitalisierung wird das höchstwahrscheinlich auch weiterhin so bleiben. Die Erkennung von Mustern, Positionen und Abweichungen sowie die inhärente Überprüfung aller Prozesse für eine IT-basierte, automatisierte Fertigungssteuerung, wird durch die analytischen Daten der visuellen Sensorik ermöglicht. Hiermit leistet die Bildverarbeitung einen essentiellen Beitrag zu der Kollaboration zwischen Systemen, Robotern und Menschen. Außerdem ist sie ein wichtiger Bestandteil von der Steuerung der Fabrik der Zukunft. In dieser dient der Vision-System Roboter, im Rahmen der sicheren Mensch-Maschine-Kollaboration, zur Information und verhindert so Kollisionen, Verletzungen oder Anlagenausfälle. Die vorausschauende Wartung und flexible Anlagensteuerung der One-to-One-Produktion und der Losgröße 1 wird durch die lückenlose Analyse von Produktionszyklen ermöglicht. Der große Benefit der Bildverarbeitung liegt jedoch bei den strategischen Analysen.
Deep Learning als Zukunft der IBV
Die klassische Bildverarbeitung hat ihren Ursprung im Machine Vision Bereich, ergo der Automatisierung und Inspektion der standardisierten Sorten- oder Massenfertigung. Der Vorteil hierbei ist, das fest definierte Umfeld und das damit verbundene Wissen über die Art des zu betrachtenden Produkts oder Werkstücks. Das ermöglicht die Definition eines klaren Regelwerks für eine eindeutige Ja-Nein-Klassifizierung. Die Industrie 4.0 hingegen basiert auf flexiblen, sich selbstadaptierenden Produktionssystemen, welche beispielsweise in der individuellen One-to-One-Fertigung aber auch bei anderen verschiedenen Produkttypen, die über eine Produktionsstraße laufen, Anwendung finden.
Maschinen, Bearbeitungsschritte und Bildverarbeitungsalgorithmen müssen in der Lage sein, auf unvorhergesehene Ereignisse zu reagieren. Starre Regelkonzepte finden also in der Fabrik der Zukunft keine Anwendung mehr, denn Machine
Learning Konzepte setzen eher auf vorverarbeitete Daten. Beschreibende Merkmale wie Musterformen oder CAD-Modelle dienen als Basis für die Klassifizierung. Die Maschine durchläuft hierfür eine Trainingsphase, dabei nimmt sie große Datenmengen auf und lernt anhand einer manuellen Einschätzung „ja oder nein“ und „gut oder schlecht“ bestmöglich zu trennen. Das mathematische Konzept des multidimensionalen Merkmalraums wird hierbei zur Definition von Bereichen, ohne gegenseitige Überschneidung, genutzt. Dadurch wird eine bessere Unterscheidung und Objektklassifizierung ermöglicht.
Beim Deep Learning hingegen, gibt es Unmengen unverarbeiteter Daten als Rohmaterial, welche keine vorgegebene Merkmalsdefinition haben. Der Zustand der Maschinen, die Einstellungen und Qualität des gerade produzierten Produktes sowie weitere Netzwerkinformationen, laufen hierbei in einem Big Data Pool ungeordnet zusammen. Genaueres zu neuen Methoden der Informationsverarbeitung mit Hilfe künstlicher, neuronaler Netze erklärt Dr. Simon Che'Rose, Entwicklungsleiter beim Bildverarbeitungsspezialisten Framos, folgendermaßen: "Es ist vergleichbar mit kognitiven Lernprozessen von Kleinkindern. Bei ihnen setzt ein Selbstlernprozess ein, bei dem eigenständig sich wiederholende Merkmale, Strukturen, Muster und Zusammenhänge erkannt und Synapsen gebildet werden. Auf dieser Basis wird schlussendlich der Algorithmus erlernt und Bilder verarbeitet. In der Industrie 4.0 ist für eine Maschine oder Produktionsstraße somit der Umgang mit einer hohen Variationsvielfalt, auch unter wechselnden Umgebungsbedingungen, gegeben und eine robuste Produktion ohne Qualitätsverlust garantiert." Um dann in kurzer Zeit hohe Datenmengen für aussagekräftige Ergebnisse generieren zu können, hilft die Vernetzung der weltweit im Unternehmen eingesetzten Maschinen in der Cloud.
Aber wobei hilft nun Deep Learning?
In der automatisierten Welt überall dort, wo Prozesse nicht genau vorhersehbar sind beziehungsweise ungeplant effektiver ablaufen. Außerdem schafft Deep Learning die Voraussetzungen, um Anlagen und Roboter in die Lage zu versetzen, selbstständig und zuverlässig valide Entscheidungen zu treffen. In der aktuellen Perspektiven-Studie des VDMA-Fachbereich Bildverarbeitung wurde festgestellt, dass die Bildverarbeitung das „gesehene“ verifizieren, verarbeiten und dem Produktionssystem als Ergebnis zur Verfügung stellen muss. Dabei soll das System nicht nur die Aussage treffen, ob das entsprechende Teil gut oder schlecht ist, sondern in der Lage sein, intelligente Handlungen zu steuern. Nur das umfangreiche Sammeln und Bewerten dieser Daten macht ein zuverlässiges und autonomes Handeln möglich und gibt der Industrie 4.0 eine echte wirtschaftliche Bedeutung. Die Bildverarbeitung avanciert also zunehmend vom bloßen Inspektor zum Produktionsoptimierer.
Vielfältige Einsatzgebiete
Neben der automatisierten Fertigung liegt in der strategischen Planung, welche durch die Analyse großer Datenmengen verbessert wurde, das größte Potential der Bildverarbeitung. Durch diese lassen sich Zusammenhänge bilden und Erkenntnisse ableiten, die vorher nicht einsehbar waren. Vor den Filialen einer Bäckereikette bildeten sich zum Beispiel plötzlich lange Schlangen, nachdem das Unternehmen seinen Backprozess mit Unterstützung von bildverarbeitungsbasierten Datenanalysen optimiert hatte. In den Öfen installierte Kameras hatten über Monate in verschiedenen Filialen Bräunungsgrad und Formentwicklung des Backwerks in Verbindung mit verschiedenen Ofeneinstellungen und Umgebungsbedingungen beobachtet und dokumentiert. Die Bäckerei konnte damit die optimale Einstellung beziehungsweise die Definition des automatisiert gesteuerten Backprozesses für das perfekte Brot herausfinden.
Die Bildverarbeitung hat Maschinen das „Sehen“ gelehrt, nun ermöglicht deren Systemeinbettung und -vernetzung außerdem das analytische Denken und eliminiert in variablen Umfeldern unternehmerische Risiken. Die Basis für analytisch fundierte Entscheidungen, welche verbesserte Prozesse, eine erhöhte Kosteneffektivität und ein rentables Wachstum fördern, sind visuell erhobene Daten zur Systemperformance, Wechselwirkung und Output-Qualität.
