KEM Konstruktion: Herr Hiltner, inwiefern kann Deep-Learning-Technologie Anwendern einen Mehrwert liefern?
Hiltner: Vereinfacht gesagt können wir als Menschen schon auf Basis einer sehr geringen Datenmenge viele Dinge erkennen und einordnen. Bei traditionellen Methoden der Bildverarbeitung wird zunächst eine gewisse Datenmenge benötigt, von der ausgehend Merkmale extrahiert und Algorithmen entwickelt werden können. Wenn ein solcher Algorithmus dann allerdings auf der Basis von beispielsweise 100 Bildern optimiert wurde, wird er sich durch weitere 100 nicht noch weiter verbessern lassen und die Erkennungsraten sind in der Regel deutlich geringer als beim Menschen. Mit Deep Learning benötigt man dagegen im ersten Schritt sehr große Datenmengen. Dafür können dann aber nicht nur die Erkennungsraten von traditionellen Methoden bei weitem überschritten werden – wenn die zur Verfügung stehende Datenmenge groß genug ist, ist es mit Deep Learning sogar möglich, die Erkennungsrate von Menschen zu übertreffen.
KEM Konstruktion: In MVTec Halcon wurden zwei Netzwerkarchitekturen implementiert, die grundsätzlich vortrainierte Deep-Learning-Netze zur Verfügung stellen. Wie unterscheiden sie sich?
Hiltner: Unser Enhanced-Netz weist eine eher komplexe Struktur auf und ist damit besser für schwierige Klassifikationsergebnisse geeignet, während das Compact-Netz eine eher vereinfachte Struktur hat, mit der höhere Verarbeitungsgeschwindigkeiten erreicht werden. Beide Architekturen wurden bereits mit mehreren Millionen, rechtlich einwandfreier Bilder aus dem Industrieumfeld vortrainiert und optimiert, sodass Anwender nun ihre Deep-Learning-Applikationen direkt darauf aufbauen können.
KEM Konstruktion: Inwiefern können rechtliche Aspekte eine Rolle spielen?
Hiltner: Für die Millionen Bilder, die für das Vortraining eines Deep-Learning-Netzes benötigt werden, greifen manche Firmen auf Open-Source-Datenbanken zurück. Dann kann es allerdings sein, dass das Netz nicht kommerziell eingesetzt werden darf, da damit das Copyright der Bilder verletzt wird.
KEM Konstruktion: Wie unterscheidet sich das Training eines Deep-Learning-Netzes von der Erstellung eines Klassifikations-Algorithmus für Anwender?
Hiltner: Bisher mussten Machine-Vision-Experten die Eingangsdaten genau analysieren und die entsprechenden Merkmale sowie die Defekttypen extrahieren. Je nach Anwendung kann dies im industriellen Umfeld zu sehr umfangreichen und komplexen Codes führen, deren Verwaltung zuweilen schwierig ist – besonders wenn ein neuer Defekttyp in den bestehenden Code integriert werden soll. In Zusammenhang mit Deep Learning erfolgt die Extraktion der einzelnen Merkmale automatisiert. Dafür wird das Netz mit Bilddaten trainiert, die in die beiden Kategorien ‚OK‘ und ‚Not-OK‘ sortiert wurden.
KEM Konstruktion: Werden die Deep-Learning-Funktionen von Halcon bereits in der Praxis eingesetzt?
Hiltner: Ja, wir beziehen unsere Anwender regelmäßig schon früh in unsere Entwicklungen mit ein und haben es 2017 geschafft, einige großartige Pilotkunden zu identifizieren. Diese haben uns mit ihren aktuellen Anwendungen bei der Optimierung der Algorithmen unterstützt.
Hannover Messe 2018: Halle 17, Stand E42/6
Hier finden Sie mehr über: