Viele Aufgaben in der Bildverarbeitung ließen sich nur schwer formalisieren, sagt Professor Michael Heizmann. Man müsse dabei nur an die Vielfalt der Defekte in der Oberflächeninspektion denken, so Heizmann, der das Institut für Industrielle Informationstechnik am KIT leitet und Vorsitzender des Fachbereichs Optische Technologien der VDI/VDE-GMA ist. „Wenn diese Aufgaben von einem klassischen Bildverarbeitungssystem erledigt werden sollen, braucht man einen Experten.“
Bei einem System auf Basis von Machine Learning (ML) ist dies nicht notwendig. Dieses lernt, indem ihm eine bestimmte Anzahl von Bilder gezeigt werden. So ist das System dann selbstständig in der Lage, Defekte an Bauteilen zu erkennen.
Das ist einer der Gründe, weshalb der Einsatz von ML in der industriellen Bildverarbeitung mittlerweile schon weit vorangeschritten ist. Die meisten Anbieter, die in diesem Bereich aktiv sind, rüsten ihre Systeme entsprechend auf. Auch für die Außenwirkung ist es natürlich hilfreich, wenn man seinem Produkte das Etikett „Künstliche Intelligenz“ aufkleben kann.
Doch die Aussagen von Heizmann zeigen, dass ML in der Bildverarbeitung eben kein reines Marketing ist, sondern einen konkreten Nutzen bietet. Das bestätigt auch der VDI-Statusbericht zum Thema „Maschinelles Lernen im Unternehmen“. Mit der Verwendung von ML könne es gelingen, „Ressourcen im Unternehmen einzusparen, da – etwas überspitzt formuliert – statt teurem Expertenwissen ‚nur‘ Ressourcen für die Beschaffung der Trainingsdaten erforderlich sind“, heißt es in dem Bericht.
Systeme stellen sich schnell auf Neues ein
Und es gibt noch weitere Gründe für den Einsatz von ML: Entsprechende Systeme können eine Produktion flexibler machen. Sie lassen sich schnell auf eine Vielfalt an verschiedenen Defekten und eine große Varianz an Bauteilen einstellen.
Verändert sich ein Produkt, muss ein klassischer Bildverarbeitungsansatz überarbeitet oder im schlimmsten Fall neu entwickelt werden. Ein Ansatz auf Basis eines künstlichen neuronalen Netzes benötigt dagegen lediglich annotierte Beispielbilder des neuen Produkts. „Eine Inspektionsmaschine in der Produktion kann somit zum Beispiel auch vom Mitarbeiter vor Ort leicht für die Inspektion von neuen Produkten erweitert werden“, so die Autoren des VDI-Statusberichts.
Klassische Methoden
sind manchmal besser
Doch so sehr die Vorteile von ML auch überzeugen – Künstliche Intelligenz ist kein Allheilmittel. In der industriellen Bildverarbeitung gibt es nach wie vor Szenarien, in denen klassische Methoden die bessere Arbeit leisten können. Einige davon nennt der Statusbericht.
Klassische Lösungen sind etwa dann zu bevorzugen, wenn die Anforderungen an die Fehlerfreiheit besonders hoch sind. So werden in der Automobilindustrie zum Beispiel oft Fehlerraten von wenigen ppm – also parts per million – gefordert. Das sei mit aktuellen ML-Verfahren noch nicht zu erreichen.
Ein anderer Grund, der für klassischen Methoden spricht, kann die nicht ausreichende Zahl von Trainingsbildern sein. So sagt der Statusbericht zwar, dass ML für viele Klassifikations-, Detektions- und Segmentierungsaufgaben sehr oft die einfachere und leistungsfähigere Variante im Vergleich zu klassischen Methoden sei. Voraussetzung sei aber, dass genügend aussagekräftige annotierte Trainingsbilder vorliegen.
ML-Systeme benötigen in den meisten Fällen eine große Menge an Daten, um lernen zu können. Das liege daran, dass es bei neuronalen Netzen relativ viele Parameter gebe, die eingestellt werden müssen, so Heizmann.
Mehrere Terabyte
an Prüfbildern
Der Aufbau einer ausreichenden Datenbasis war zum Beispiel eine der größten Herausforderungen in einem Projekt des Autobauers Audi. Seit 2018 ist in einem Presswerk am Standort Ingolstadt eine Software installiert, die mit einem künstlichen neuronalen Netz arbeitet. Kameras überprüfen dort alle Bauteile direkt nach der Herstellung. Die Lösung analysiert die Bilder und erkennt sowie markiert pixelgenau feinste Risse in den Blechteilen. Die Software beschleunigt die Prüfprozesse und sorgt für zuverlässigere Ergebnisse.
Bevor sie dies aber tun konnte, musste sie erst mit einer großen Zahl von Bildern trainiert werden. Konkret waren es mehrere Terabyte an Prüfbildern aus sieben Pressen am Audi-Standort Ingolstadt und von mehreren Volkswagen-Standorten, mit denen die Lösung ihre Aufgabe erlernte.
Sind solche Bilder nicht in der ausreichenden Menge vorhanden, muss dies jedoch nicht zwangsläufig ein Ausschlusskriterium für den Einsatz von maschinellem Lernen sein. Es gibt Methoden, um die nötigen Trainingsdaten zu beschaffen. Ein Ansatz ist die Verwendung von teil-synthetischen Bildern. Dabei werden vorhandene Bilder verändert. Ein Defekt aus dem Bild eines fehlerhaften Teils wird dann ausgeschnitten und in das Bild eines Gutteils eingefügt. So lässt sich die Zahl von Bildern fehlerhafter Teile künstlich erhöhen.
Vortrainierte Netze
erleichtern ML-Einsatz
Wenn lediglich Abweichungen vom Normalzustand eines Objekts festgestellt werden müssen, ist die Anomalie-Erkennung eine weitere geeignete Methode. Dabei wird das ML-System nur mit Bildern von Gutteilen trainiert. Es lernt, dann Alarm zu schlagen, wenn es etwas erkennt, was es vorher noch nicht gesehen hat.
Daneben gibt es noch die Möglichkeit mit vortrainierten Netzen zu arbeiten. Bildverarbeitungsanbieter beispielsweise stellen Netze mit generalisierten Parametern zur Verfügung. Die lassen sich dann für ein relativ breites Spektrum an Aufgaben nutzen. Für die spezielle Aufgabe des Anwenders muss das Netz dann die entsprechenden Parameter nur nachlernen.
So lassen sich also ML-Lösungen auch dann nutzen, wenn die notwendige Datenbasis zunächst nicht vorhanden ist. Doch muss es im Unternehmen kein Entweder-Oder bei der Frage nach dem richtigen Verfahren geben. Der VDI-Statusbericht weist daraufhin, dass für manche Anwendungen die Kombination von klassischen und ML-Ansätzen Sinn ergebe. Dann ließen sich die Stärken beider Verfahren miteinander verbinden.
