Das Embedded-Vision-Development-Kit von Basler und zwei Add-on-Camera-Kits auf Basis der Nvidia-Jetson-Plattform

Basler bietet ein Embedded-Vision-Development-Kit und zwei Add-on-Camera-Kits auf Basis der Nvidia-Jetson-Plattform (Quelle: Basler)

An den Begriff „Künstliche Intelligenz (KI)“ sind viele Erwartungen geknüpft, die aber applikationsspezifisch geprüft werden müssen. In die Entscheidung, ob eine herkömmliche Bildverarbeitungsmethode oder eine Deep-Learning-Methode verwendet wird, spielen beispielsweise auch die Datenmengen und die Rechenleistung hinein.

Herkömmliche Bildverarbeitungsmethoden basieren auf regelbasierten Algorithmen, die in der Regel von BV-Experten programmiert werden. Sie eignen sich für einfache Inspektionsaufgaben; für komplexere, wie Oberflächeninspektionen, sind sie weniger geeignet. Generell gilt: Je mehr Merkmale erfasst werden müssen, desto aufwendiger ist die Programmierung der Algorithmen und um so weniger eignen sich traditionelle Methoden.

Die visuelle Inspektion durch den Menschen hat den Vorteil, dass dieser Abwägungen treffen kann und Erfahrungen in seine Entscheidung einfließen. Das menschliche Gehirn arbeitet nicht nach regelbasierten Algorithmen, sondern bezieht viele weitere Aspekte bei der Bildbetrachtung mit ein. Auf dieser Vorgehensweise baut auch Deep Learning auf: Das System lernt selbstständig und optimiert sich ständig weiter, je mehr Bilder eingelesen werden. Der Vorteil im Vergleich zum Menschen: Kombiniert mit einer leistungsfähigen Hardware sind die Verarbeitungsgeschwindigkeit und die Genauigkeit der KI-basierten Bildverarbeitung um ein Vielfaches höher und es kommt nicht zu Ermüdungen und damit einem Qualitätsabfall. Es lässt sich schon erahnen, dass Deep Learning die optimale Wahl ist, wenn es um strukturierte Oberflächen oder die Erkennung von geringfügigen Abweichungen, zum Beispiel Kratzer oder Verformungen, an Teilen geht.

1 / 4

Ähnliche Beiträge