Visiontooling met ai biedt snelle time to market en snelle terugverdientijd bij kleine series

IDS laat zien dat ai-gebaseerde vision veel makkelijker kan.

6 september

Kunstmatige intelligentie toepassen in beeldverwerking is nog steeds zeer uitdagend. Het vereist deskundigheid, programmeerinspanningen en investeringen in computer- en opslaghardware. Niet alleen het trainen van een neuraal netwerk maar ook het gebruik ervan en de evaluatie van de resultaten vereisen kennis van hardware, software en interfaces. IDS laat zien dat het veel makkelijker kan met zijn IDS NXT AI-visionsysteem, een toolkit en workflow waarmee gebruikers gemakkelijk intelligente visionoplossingen kunnen bouwen.

Met behulp van de IDS NXT Lighthouse Cloud-software kunnen zelfs gebruikers zonder voorkennis van kunstmatige intelligentie of het programmeren van camerasystemen een neuraal netwerk trainen. Het gaat om een webapplicatie, dus alle functies en de nodige infrastructuur zijn onmiddellijk beschikbaar. De ingenieur of programmeur hoeft geen eigen ontwikkelomgeving op te zetten maar kan onmiddellijk beginnen met het trainen van zijn eigen neurale netwerk.

Industriële camera’s openen geheel nieuwe mogelijkheden bij de automatisering van fabricageprocessen.

De hele ontwikkeling bestaat uit drie basisstappen: het uploaden van voorbeeldbeelden, het labelen van de beelden en het starten van de automatische training. Het gegenereerde netwerk kan direct op IDS NXT-industriële camera’s worden uitgevoerd en transformeert ze in krachtige inferentiecamera’s die in staat zijn de gewenste informatie te leveren of opdrachten aan machines door te geven – bijvoorbeeld via REST of OPC UA.

Ontwrichtend

Kunstmatige intelligentie is ontwrichtende technologie. Het dringt met ongelooflijke snelheid door tot nieuwe gebieden en maakt toepassingen mogelijk waar klassieke beeldverwerking te duur, inflexibel en ook te complex is. Alexander Windberger, ai-specialist bij IDS Imaging Development GmbH, legt uit: ‘Niet alleen het spel verandert, maar ook de spelers. Op ai gebaseerde beeldverwerking werkt anders dan klassieke, op regels gebaseerde beeldverwerking, omdat de kwaliteit van de resultaten niet langer alleen het product is van handmatig ontwikkelde programmacode maar vooral wordt bepaald door de kwaliteit van de gebruikte datasets.’

De ontwikkeling van visiontaken is dus volop aan verandering onderhevig. Dat betekent ook dat gebruikers verschillende kerncompetenties nodig hebben om met ai-visietoepassingen te kunnen werken. Domeinexperts komen veel meer in beeld om de informatie te beoordelen en flexibel te reageren op verschuivingen in gegevens en concepten.

Veel bedrijven hebben nog bedenkingen bij de nieuwe technologie. Er is een gebrek aan deskundigheid en tijd om zich in detail met het onderwerp vertrouwd te maken. Tegelijkertijd groeit de visiongemeenschap vanuit de iot-sector en de startup-scene. Met nieuwe toepassingsgebieden en gebruikersgroepen komen onvermijdelijk andere gebruikssituaties en vereisten op.

De klassieke ontwikkelomgeving voor programmering volstaat niet langer om de best mogelijke ondersteuning te bieden voor de volledige workflow, van de creatie van datasets en training tot de uitvoering van een neuraal netwerk. Met het oog op de toekomst zegt Windberger: ‘Wij realiseren ons dat er vandaag de dag geheel nieuwe gereedschappen ontstaan voor het werken met ai-vision. Die worden gebruikt door zeer heterogene gebruikersgroepen zonder ai- en programmeerkennis. Dit verbetert de bruikbaarheid van de instrumenten en verlaagt de toegangsdrempel, wat de verspreiding van op ai-gebaseerde beeldverwerking momenteel aanzienlijk versnelt. Uiteindelijk is ai een instrument voor mensen en moet het dus intuïtief en efficiënt te gebruiken zijn.’

Een investering zoals de eigen fabriek automatiseren kan op het eerste gezicht een onoverkomelijke mammoettaak lijken. Maar de sleutel is – zoals zo vaak – stap voor stap te werk te gaan. Uiteindelijk bestaat een slimme fabriek uit veel afzonderlijke componenten die een groot verschil kunnen maken als ze slim worden ingezet. Een van die onderdelen is machine vision. Industriële camera’s voeren soortgelijke taken uit als sensoren en het gebruik ervan heeft geheel nieuwe mogelijkheden geopend bij de automatisering van fabricageprocessen. Met industriële camera’s kunnen robots en machines steeds complexere taken aan.

Drijvende kracht

Camerabeelden hebben het vermogen om meerdere taken uit te voeren, wat een veel flexibeler evaluatie van verschillende (optische) kenmerken mogelijk maakt. Dat geeft vision een doorslaggevend voordeel in vergelijking met zeer gespecialiseerde sensoren. Geen enkel ander onderdeel verzamelt en interpreteert zo veel gegevens als beeldverwerking. Dat maakt het mogelijk zeer veel parameters te controleren: productkenmerken (lengte, afstanden, aantal), toestanden (aanwezigheid/afwezigheid) of kwaliteit.

De resultaten zijn daarna te verwerken en door te geven aan de systemen in het netwerk die waarde toevoegen. Daarbij houdt het niet op bij het beoordelen van een geïnspecteerde onderdeel. Ook is het mogelijk om intelligente acties aan te sturen, zoals geautomatiseerd sorteren.

Vooral kleine en middelgrote ondernemingen, waarvoor de automatisering van hun productie niet concurrerend kan worden gerealiseerd wegens een kleine seriegrootte, profiteren van deze plus aan flexibiliteit. Als camera’s worden gebruikt in plaats van sensoren, kunnen zelfs kleine batches van één onderdeel of meer worden geautomatiseerd of kunnen series later worden opgeschaald.

Fabrieksautomatisering met slimme camera’s biedt daarom ook de mogelijkheid flexibeler te reageren op moeilijke marktomstandigheden en tegelijkertijd een constant hoge productiekwaliteit en -efficiëntie te garanderen. Bedrijven voor wie de sprong naar end-to-end digitalisering en automatisering te groot is, kunnen belangrijke vooruitgang boeken dankzij op ai gebaseerde beeldverwerking. Holistische, gebruiksvriendelijke systemen zoals IDS NXT maken hiervoor de weg vrij.