Deep Machine Learning i vision

• Af:
  
• Thomas Hasselriis

SICK tager aktuelt et stort skridt i forhold til at lette brugen af maskinvision i opgaver, hvor regelbaserede inspektionsløsninger ikke kan stå distancen, og menneskelig intelligens typisk vil være påkrævet i udfordrende inspektionsopgaver i industrien.

Udbyderen har udviklet og implementeret softwareløsninger til alle smartkameraer i InspectorP6xx serien, hvorved de får adgang til kunstig intelligens, AI, kaldet Deep Machine Learning. Løsningen er baseret på neurale netværk, der minder om den menneskelige måde at se, opfatte og beslutte på. Softwaren har fundament i App-space – et fleksibelt økosystem opfundet og udviklet af SICK, hvilket tillader brugeren enten at udvikle egne applikationer, eller blot som bruger at anvende færdige apps som SICK tilbyder, der ikke kræver viden om vision eller programmering, og kan sammenlignes med brugeroplevelsen vi kender fra smartphones universet.

Deep Learning blev udviklet som en teoretisk intelligent algoritme i 1986, og er som koncept dermed ikke ny teknologi. Forskellen er blot, at nu er det langt mere tilgængeligt for brug i industrielle miljøer, og overraskende langt mere simpelt at bruge end traditionel maskinvision. Der er ikke længere brug for traditionelle ressourcetunge PC-løsninger, men i stedet kan denne sofistikerede intelligens nemt integreres, fungere og afvikles direkte på SICK’s velkendte kompakte og robuste industrielle smartkameraer, uden behov for omkostningstunge eksterne netværk.

Udover den klassiske sortering af emner baseret på klassificering, er der nu udviklet en ny komponent i softwareversionen af appen ”Intelligent Inspection”, som er udbygget med algoritmer for at kunne arbejde med den type neurale netværk kaldet ”Anomaly Detection” – defineret som evnen til at se, observere samt reagere når en varierende objekttype afviger fra en defineret kvalitetsnorm. Anomaly Detection-algoritmer kan trænes og eksekveres på selve SICK kameraet, hvilket giver den kæmpe frihed det er at være parat til hurtig og fleksibel omstilling, og dermed uafhængighed af komplicerede cloudbaserede løsninger og omkostninger. Anomaly Detection har den fordel, at et netværk kan trænes direkte på kameraet, og har kun behov for at lære, hvordan en varietet af gode emner ser ud, hvilket naturligt resulterer i en hurtigere og mere simpel træning af kameraet, fordi fejltyper ikke skal defineres. Klassificeringsmetoden tilbydes tillige som en funktion i appen, og er optimeret til sorteringsopgaver, hvor der kræves billeder af de forekomne forskellige objekttyper til træning af algoritmen.