Maschinelles Lernen in der Bildverarbeitung

Fachleute für maschinelles Lernen

Der Begriff "maschinelles Lernen" wird verwendet, wenn eine Maschine "kognitive" Funktionen nachahmt, die oft mit dem Menschen in Verbindung gebracht werden, wie "Lernen" oder "Problemlösung".

Lesen Sie mehr über die Grundlagen des maschinellen Lernens.

Das maschinelle Lernen wird häufig über ein (Faltungs)neuronales Netzwerk implementiert und kann überwacht (supervised) oder unüberwacht (unsupervised) sein.

Überwachtes Lernen kann solide Ergebnisse liefern und wird oft als der beste Ansatz angesehen, aber es erfordert viele kommentierte Trainingsbilder. Die Kommentierung ist zeitaufwändig und es kann schwierig sein, Bilder im Vorfeld einer Bildverarbeitungsanwendung zu erhalten.

JLI Vision arbeitet mit "Hybrid Vision", die wir als eine Kombination aus beidem betrachten:

Maschinelles Lernen
Traditionelles maschinelles Sehen
Handwerkliches Geschick

Strukturelle Anwendungen wie die Messung von Dimensionen und Tiefen können mit herkömmlichen Bildverarbeitungssystemen durchgeführt werden. Sie sind leicht zu testen und lassen sich potenziell um weitere Funktionen erweitern.

Die hybride Bildverarbeitung ist die perfekte Lösung für "ästhetische" Anwendungen. Bei ästhetischen Anwendungen geht es darum, sicherzustellen, dass das fertige Produkt die Erwartungen der Endnutzer oder Verbraucher erfüllt. Typische Mängel können Kratzer, Löcher oder Farbabweichungen sein.

Im Gegensatz zu strukturellen Anwendungen kann es schwierig sein, objektive Anforderungsspezifikationen zu definieren.

In der Praxis werden gute und schlechte Muster gesammelt und als Referenz für die manuelle Prüfung verwendet.

Früher blieben ästhetische Anwendungen aufgrund der Unzulänglichkeiten der traditionellen maschinellen Bildverarbeitung oft ungelöst, aber mit hybrider Bildverarbeitung ist dies in einigen Fällen möglich.

Anwendungsbeispiel: Holzinspektion

Zielsetzung: Erkennung von Baumknoten und Harzgallen in Leimplatten
Lösung: Leimtafeln werden auf einem Förderband gescannt und mit einer Kombination aus maschinellem Lernen (bestimmt, ob der Kandidat defekt ist), herkömmlicher Bildverarbeitung (wählt Kandidaten aus) und 3D (prüft die Oberfläche von Leimtafeln) verarbeitet.
Vorteil: Löst eine zeitaufwändige manuelle Inspektionsaufgabe in der Produktion und ermöglicht eine vollautomatische Reparatur von Leimtafeln.
Ergebnis: Erreichbare Genauigkeit von +95%, was weitaus besser und konsistenter ist als die manuelle Prüfung.

Anwendungsbeispiel: Glasinspektion

Zielsetzung: Erkennung von Blasen mit offenem und geschlossenem Ende in Glasrohren
Lösung: Mit herkömmlicher maschineller Bildverarbeitung werden alle Blasen erkannt. Die Defekte werden dann in Echtzeit durch maschinelles Lernen verarbeitet, um festzustellen, ob der Defekt ein offenes oder geschlossenes Ende hat.
Vorteil: Verbesserte Ausbeute durch weniger Ausschuss.
Ergebnis: Erreichbare Genauigkeit +95%

Anwendungsbeispiel: Stahlinspektion

Zielsetzung: Erkennung von Freak-Fehlern auf der Oberfläche von Schienen direkt nach der Produktion
Lösung: Die Schienen werden gescannt, indem sie durch einen Inspektionstunnel geführt werden. Die Bilder werden in Echtzeit mit einer Kombination aus maschinellem und traditionellem Lernen verarbeitet. Das maschinelle Lernnetzwerk wird unbeaufsichtigt gelehrt.
Vorteil: Ersetzt eine zeitaufwändige manuelle Inspektion direkt in der Produktion.
Ergebnis: Erreichbare Genauigkeit von +90%, was besser und konsistenter ist als die manuelle Prüfung.

Video: Automatisierung komplexer Inspektionsaufgaben

Erfahren Sie mehr darüber, wie wir mit maschinellem Lernen arbeiten, in dieser Folge unserer Videoserie The Vision Lab: "Wie können Sie komplexe ästhetische Prüfaufgaben automatisieren?"