Beispiele von Anwendungen mit Einsatz von KI

Die Oberflächenprüfung eines gekrümmten Gehäuses zählt zu den problematischsten Aufgaben in der herkömmlichen Bildverarbeitung. Im Einsatz mit KI werden vielfältige NOK Beispiele gelabelet, eingelernt und in der Auswertung zuverlässig gefunden.

Auswerteergebnis der ermittelten Gehäusefehler. 

Schriftzeichenerkennung, auch von im Bild angeschnittenen Prägezeichen - 99% Erkennung.

Typerkennung anhand eines eingelerntes Merkmals sowie Vollständigkeitskontrolle von Dichtringen - 99% Erkennung.

Die KI-Technologie zur Auswertung von Bilddaten nutzt neuronale Netze, um ein gelerntes Wissen zu erreichen, mit dem sie zwischen Anomalien, Formen und Zeichen unterscheiden kann, während sie natürliche Abweichungen toleriert. Somit vereint die künstliche Intelligenz die überlegene Flexibilität des Menschen mit der Performance eines maschinellen Systems.

Wie entsteht ein KI-Bildverarbeitungssystem?

Um ein Deep Learning-System auf den Einsatz vorzubereiten, um zuverlässig Bilder auszuwerten, benötigt es zu Beginn ein ausreichend großes und gut identifizierbares Trainingsset von Bildern, mit dem sich die künstliche Intelligenz ihr Wissen aneignen kann.

Zum Erlernen der Merkmale (Klassifizierung), auf die es bei der Prüfaufgabe ankommt, werden sogenannte Label (rechteckige Boundingboxen) benötigt, welche entweder automatisch oder manuell im Bild erzeugt werden. Hierbei helfen Labelling Tools, die dem Nutzer das Anlegen der Klassen und die Positionierung der Label erleichtert.

Der aktuelle Stand der Hardware ermöglicht den Deep Learning Algorithmen eine Masse an Daten von hochaufgelösten Bildern zu bewältigen, um problemlos Standard Anwendungen für die Bildverarbeitung, wie z.B. Klassifizierung, Objekterkennung und Segmentierung zu bearbeiten. Für alle Bereiche gibt es auf Objekterkennung vortrainierte Netze welche helfen, die Trainingsdauer eines gut funktionierenden Modells zu verkürzen. Ein trainiertes Modell entspricht dann dem gelernten Wissen, auf das beim späteren Auswerten der KI zurückgegriffen werden kann.

Wie viele Bilder muss ein Trainingsset enthalten?

Dies hängt von vielen Faktoren, wie der Komplexität der Prüfaufgabe, der Menge an möglichen Abweichungen sowie Größe der Bilddaten ab. Für eine einfache Prüfaufgabe kann es reichen, mit 25-50 Bildern zu trainieren. Mit steigender Komplexität der Aufgabe kann sich dies aber durchaus auf bis zu 500-1000 Bilder und mehr ausweiten. Eine Varianz der Bilder lässt sich auch einfach durch künstliche Manipulation der Bilddaten z.B. durch Verdrehung, Verzerrung oder Helligkeitsveränderung erzeugen.

Anwendungsbereiche für Deep Learning

  • Klassifikation von Oberflächen / Texturen
  • Lokalisierung von variablen Merkmalen
  • Montagekontrolle
  • Anomalieerkennung
  • Schriftzeichenerkennung
  • Anwesenheitskontrolle
  • Typunterscheidung

KI-Werkzeuge von VisionTools
kontaktieren Sie uns