I takt med, at der tænkes i stadigt mere fleksible produktionsanlæg, får produktionsvirksomheder et voksende behov for individuelt tilpassede løsninger. Her spiller sensorteknologi en særlig rolle. Behovene for analyse og overvågning af processer med kameraudstyr har i mange år været højere end traditionel regel baseret maskinvision har kunne håndtere, og derfor har det været nødvendigt at løse visse opgaver manuelt. Det er her, at neurale netværk kommer ind og byder på nye muligheder.
Inspireret af hjernens måde at lære på bringes udvikling af vurderingsmetoder på basis af træning med billeder og eksempler ind i en industriel automatiseret kamerasensor. For at komme i gang er det er nødvendigt enten at „lære“ kameraet, hvad der opfattes som „godkendt“ og „fejlbehæftet“, eller ved opgaver for typebestemmelse til produktsortering, hvordan de forskellige produkter ser ud. Det giver mere pålideligt, ensartet og konstant vurdering og tillader tilmed at genkende tidligere ukendte former og objekter.
Med implementering af teknologi og processer som deep learning står traditionelle industrielle sensorer over for et kvantespring i funktionalitet.
Sick tilbyder udover almindelig regelbaseret maskinvision nu tillige deep learning som en ekstra feature til eksisterende vision- og kameraløsninger. Det er et frisk teknologisk pust, som bringer reel værdi til kameraløsninger – selv i den lave prisklasse. Sick tilbyder deep learning processen som en service, hvor teknikere kommer ud til virksomheden, for at optage billeder af det emne, der skal kontrolleres. Man tager typisk mange billeder af forskellige objekter eller emner, som af virksomheden vurderes ok, og tilsvarende mange billeder af emner som vurderes fejlbehæftet. Dette sikrer, at man opnår en alsidig og robust funktionalitet. Når billedmaterialet er indsamlet, genereres en algoritme med SICK Cloud services, som resulterer i en app man kan købe og få installeret i sit SICK kameraet i produktionen.
Deep learning, giver nye muligheder til at kigge på opgaver, som ikke har været muligt at løse tidligere. De oplagte opgaver falder i to katergorier: Klassificering (sortering) og anomalitetsanalyse (finde fejl som ikke kan defineres).
Specielt udfordrende visionopgaver med eksempelvis organiskmateriale i fødevareindustrien eller træforarbejdningsindustri, lader sig nu løse meget mere effektivt og omkostningsoptimeret med deep learning. Gevinsten er typisk stor, i form af reduceret spild, højere produktkvalitet samt mere effektive og intelligente maskiner.
Deep learning som et underområde til Machine Learning (maskinlæring) er sandsynligvis den vigtigste fremtidige teknologi inden for kunstig intelligens, som vi allerede har adgang til, og på samme tid vil det bidrage langvarigt til at drive Industry 4.0!
http://www.sick.dk/deep learning
