Deep Learning

Selbst schwierigste OCR-Aufgaben in einer Fertigungsumgebung wie nadelgeprägte Codes auf Metallteilen, geprägte Zeichen auf Spritzgussprodukten, gelaserte Codes auf elektronischen Bauteilen, etikettenbasierte Codes auf Verpackung, Zeichen mit wenig Kontrast und Codes auf ungleichmäßigen Hintergründen können mit künstlicher Intelligenz gelöst werden.

Um in der Fertigung zwischen verschiedenen Objekttypen zu unterscheiden, Fehlertypen zu identifizieren und sogar Bilder zu prüfen, werden eine Auswahl von gekennzeichneten Bildern eingelernt. So können Produkte identifiziert und in Klassen eingeteilt werden. Dies geschieht anhand ihrer gemeinsamen Merkmale wie Farbe, Textur, Material, Verpackung und Fehlertyp.

Bauteile fallen willkürlich auf eine Rüttelplatte und werden dort vereinzelt. Das Kamerasystem muss die Teile, die richtig herum liegen, erfassen und die Position ausgeben. Da die Prüfobjekte unregelmäßig liegen und deren Merkmale sehr klein sind, stößt die regelbasierte Bildverarbeitung hier an ihre Grenzen. Mit Deep Learning erkennen wir die richtige Lage der Bauteile und mit klassischer Bildverarbeitung wird dann die genaue Position ermittelt, so dass ein Roboter die Teile greifen kann. So ergänzen sich klassische Bildverarbeitung und Deep Learning perfekt.

In der Fertigung werden komplexe Merkmale und Objekte in einem Sichtfeld mit einer speziellen Deep-Learning-Bildanalysesoftware auffindbar. Die Software erkennt Merkmale auf unruhigem Hintergrund, in schlecht beleuchteter Umgebung, auf kontrastarmen Teilen und sogar auf Teilen, die sich verbiegen oder ihre Form verändern. Mit ihr werden Teile trotz Abweichungen der Perspektive, Ausrichtung, Helligkeit, des Glanzes und der Farbe lokalisiert, indem sie von Musterbildern lernt.