Bildverarbeitungssysteme könnten mit KI besser funktionieren oder mehr leisten. Laut einem Report von Zebra sind fast 20% der führenden Anbieter entsprechender Systeme für die Automobilindustrie in Deutschland und Großbritannien dieser Meinung. Partner in der industriellen Bildverarbeitung sollten sich also konkrete Gedanken darüber machen, wie sie ihre Technologie für Kunden optimieren können. Gibt es z.B. Möglichkeiten, KI Vision leichter zugänglich zu machen und zu nutzen?
Hersteller haben verschiedene Möglichkeiten, Bildverarbeitungslösungen zu beschaffen. Die Auswahl der Lösung kann entweder auf Standortebene erfolgen, wobei die Freigabe dann auf Unternehmensebene stattfindet. Oder aber Auswahl und Freigabe werden beide auf Standortebene getroffen. Das sind die beiden gängigsten Ansätze. Beide Varianten werden durch Preisvereinbarungen auf Länder- und regionaler Ebene unterstützt, nicht jedoch auf globaler Ebene. Der Fokus auf standortspezifische Lösungen bietet zwar Vorteile, birgt aber auch die Gefahr von unerwünschten Abweichungen. Es besteht die Möglichkeit, dass verschiedene Standorte für ähnliche Arbeitsabläufe unterschiedliche Bildverarbeitungslösungen einsetzen. Zudem kann es vorkommen, dass Fachwissen und Daten nicht standortübergreifend geteilt werden. Selbst wenn Teams den Austausch wünschen, erschweren Integration, Interoperabilität und sichere Datenübertragung die Nutzung herkömmlicher Bildverarbeitungssysteme.
Datentraining wichtig
KI, insbesondere Deep Learning, lebt von Daten. Die Menge, Vielfalt und Geschwindigkeit qualitativ hochwertiger Daten ist der Schlüssel zum Trainieren und Testen von DL-Modellen. Die Erfahrung und verfügbare Zeit können jedoch von Team zu Team und von Standort zu Standort variieren. Das kann zur Bildung von Daten-Silos und zu erschwerten Bedingungen für eine hohe Datenqualität führen. Daten müssen gespeichert, annotiert und für das Modelltraining verwendet werden; andere Datensätze werden für Tests benötigt. Es ist jedoch kontraproduktiv, wenn Unternehmensdaten in diesen Fällen isoliert bleiben, da dies die Entwicklung von Bildverarbeitungsmodellen beeinträchtigt.
Ein Modell, das nur auf einem begrenzten Satz nahezu identischer Objekte trainiert wurde, wird mit realen Variationen nicht gut umgehen können. Um beispielsweise ein Modell zur Fehlererkennung in gefertigten Bauteilen zu trainieren, reichen 20 Bilder desselben Bauteils aus leicht unterschiedlichen Blickwinkeln nicht aus. Für Effektivität sind 20 bis 50 wirklich verschiedene Objekte in den Trainingsdaten erforderlich. Diese Objekte müssen eindeutig sein und dürfen außer dem Hintergrund keine gemeinsamen Elemente aufweisen. Unterschiede in Beleuchtung oder Förderbandoptik zwischen Standorten spielen dabei keine Rolle. Bildverarbeitungslösungen, die auf fortschrittlicher KI in Form von Deep Learning-Netzwerken basieren, sollten möglichst vielen Variationen ausgesetzt werden. Das betrifft auch unterschiedliche Produktionszeitpunkte und -tage. Für ein robustes Modelltraining ist es erforderlich, den Datensatz mit einer Mischung aus zufälligen Daten zusammenzustellen. Dies kann zwar zeitaufwendiger sein, da es eine Datenerhebung über einen längeren Zeitraum erfordert – es sei denn, man nutzt eine Plattform zur Simulation von Trainingsdaten – ist aber entscheidend für die Entwicklung eines belastbaren Modells.
Verschiedene Daten unterschiedlicher Standorte
Wie können Hersteller und Verantwortliche für die Bildverarbeitung ihre Modelle effizient trainieren, wenn sie nicht alle Daten über Standorte, Länder und Regionen hinweg nutzen können? Industrielle Prozesse unterliegen verschiedenen Umweltfaktoren, wie z.B. wechselndes Umgebungslicht, Materialien mit leichten Abweichungen, Vibrationen, Lärm, Temperaturen und veränderte Produktionsbedingungen. Werden diese Veränderungen in den Trainingsdaten nicht berücksichtigt, kann dies zu einer geringeren Modellgenauigkeit führen. Jeder Standort kann Variationen in Bezug auf Schärfe, Arbeitsabstand, Umgebungslicht und andere Faktoren mit sich bringen. Das Modell lernt, damit umzugehen, so dass die Trainingsdatensätze die gesamte Bandbreite der Variationen widerspiegeln, mit denen das Modell in realen Szenarien konfrontiert werden kann. Wenn industrielle Prozesse mehrere Produktionsstandorte umfassen, wäre es ein Fehler, Daten nur von einem dieser Standorte zu sammeln. Ebenso nachteilig wäre es, Daten von allen Standorten zu sammeln, diese aber in Silos zu speichern. Um dies zu vermeiden, sollten Daten aus verschiedenen Umgebungen und Produktionsstandorten gesammelt und gemeinsam genutzt werden.
Ein weiteres Problem bei der Arbeit mit isolierten Standorten ist die Annotation der Trainingsdaten für DL-Modelle. Ungenaue, unklare und inkonsistente Annotationen führen unweigerlich zu einer schlechteren Leistung. Es ist von entscheidender Bedeutung, dass die Annotation präzise und eindeutig ist, und zwar über Produktionsstandorte hinweg, an denen die gleichen Artikel hergestellt werden. Dies erfordert eine enge Zusammenarbeit zwischen den Teams. Ein häufiger Fehler in der Praxis besteht darin, dass verschiedene Fehlerarten auf verschiedenen Bildern markiert werden und einige Fehler überhaupt nicht markiert werden. Was als Fehler angesehen wird, kann auch subjektiv sein, weshalb eine Kreuzvalidierung wichtig ist. Alle Fehler, unabhängig von ihrer Art, sollten auf allen relevanten Bildern deutlich markiert werden. Auch hier gilt: Ohne einen einheitlichen Ansatz und die Nutzung der Cloud bleibt die Herausforderung der Datenmarkierung über Standorte und Länder hinweg bestehen.
Vielfältiges Datenspektrum in der Cloud
In der gesamten Fertigungsindustrie braucht es daher neue Wege, um die Nutzung von DL-Bildverarbeitung zu verstärken. Einer dieser Wege ist eine cloudbasierte Lösung. Eine solche Plattform würde es Nutzern ermöglichen, Daten aus mehreren Produktionsstätten sicher hochzuladen, zu beschriften und mit Anmerkungen zu versehen,unabhängig von Standort, Land oder Region. Dadurch stünde ein größeres und vielfältigeres Datenspektrum für das DL-Training zur Verfügung. Außerdem könnten definierte Nutzer in Echtzeit gemeinsam an Annotations-, Schulungs- und Testprojekten arbeiten und ihr Fachwissen teilen.