KI-Vision bringt zusätzliche Möglichkeiten

Andere Rahmenbedingungen, anderes Vorwissen

In der Industrie eröffnet KI-Vision mit maschinellem Lernen neue Möglichkeiten, die von regelbasierter Bildverarbeitung nicht abgedeckt werden. © IDS

Doch gerade dass KI-basierte Methoden gänzlich anders funktionieren als regelbasierte Ansätze, ist deren größter Vorteil. Das ermöglicht es Anbietern ganz neue Werkzeuge zu entwickeln, die viel intuitiver einsetzbar sind. Damit können schon heute menschliche Qualitätsanforderungen durch maschinelles Lernen auf KI-Visionsysteme übertragen werden, um Prozesse zu optimieren und zu automatisieren. Dabei muss oft keine einzige Zeile Quellcode geschrieben werden, wodurch sich KI-Vision für ganz neue Zielgruppen empfiehlt, die nicht mehr zwingend über Programmierkenntnisse verfügen müssen. Machbarkeitsanalysen sind damit von den Mitarbeitenden durchführbar, die selbst am meisten Kenntnis von Produkten und deren Besonderheiten haben, Unternehmen sind in der Evaluationsphase damit nicht mehr zwingend auf Programmierer und Bildverarbeitungsexperten angewiesen.

Das bedeutet, dass die Schlüsselkompetenzen für die Arbeit mit Machine-Learning-Methoden nicht mehr dieselben sind, wie für regelbasierte Bildverarbeitung. Doch auch hier gilt, dass nur ausreichend Fachwissen und Erfahrung zum gewünschten Ziel führt. Ohne ein geschultes Auge für die richtigen Bilddaten werden auch bei dieser Methode Fehler auftreten. Einer der wichtigsten Faktoren für gute Ergebnisse sind Lerndaten in Form von Beispielbildern in ausreichender Menge für den Lernprozess aufzubereiten. Hier liegt der größte Aufwand gegenüber regelbasierten Methoden – gleichzeitig das größte Fehlerpotential.

Mangelnde Qualität des Inputs führt zu mangelhaftem Output. Ein KI-System ist, um Muster zu erkennen und Vorhersagen zu treffen, auf Daten angewiesen, von denen es „richtiges Verhalten“ lernen kann. Wenn eine KI in unter Laborbedingungen mit Daten aufgebaut wird, die nicht repräsentativ für die späteren Anwendungen sind – oder noch schlimmer: wenn die Muster in den Daten Vorurteile widerspiegeln –, wird das System diese Vorurteile adaptieren. Datenverzerrungen, sogenannte Biasse, sind die Folgen, durch die ein neuronales Netz bei der Inferenz voreingenommene Entscheidungen treffen würde. Doch mit Confusion Matrix und Heatmaps gibt es Werkzeuge, um Entscheidungen und Gründe für Entscheidungen sichtbar und damit verständlich zu machen. Mithilfe solcher Software-Werkzeuge können Anwender das Verhalten und die Ergebnisse der KI-Vision direkter auf Schwächen innerhalb des Trainingsdatensatzes zurückführen und diese gezielt ausbessern. So wird die KI für jeden erklär- und nachvollziehbarer.

Zur Realisierung einer Lösung muss sie, wie ihr regelbasiertes Pendant, in eine Anwendung integriert werden und mit anderen Systemkomponenten zusammenarbeiten. Und darin liegt oft die eigentliche Herausforderung einer Anwendung. Wer dabei die Systemkomponenten rein nach Preis, Performance und Feature-Reichtum ausgewählt hat, muss sich im weiteren Verlauf oft mit verschiedenen Dienstleistern und Herstellern in Bezug auf Schnittstellen auseinandersetzen. Um diese zu einer reibungslosen Zusammenarbeit in einem vollständigen Workflow zu bewegen, braucht es oft Geduld, Zeit und viel eigenes Fachwissen.

IDS setzt daher mit dem KI-Vision-Komplettsystem IDS NXT auf Komponenten, die optimal aufeinander abgestimmt sind und für alle Anwendergruppen mit der Unterstützung und Erfahrung eines Ansprechpartners einsetzbar sind. Das spart wertvolle Zeit, teure Entwicklungsressourcen und bringt den Anwender schneller zu seiner individuellen Lösung.

Andere Möglichkeiten

Zunehmende Anomalie-Fehler können auf eine Verschlechterung eines Anlagenzustands durch Werkzeugverschleiß, Schmutz oder andere Störeinflüsse hindeuten. © IDS

Doch jede Anwendung besitzt ihre eigenen spezifischen Rahmenbedingungen. Es sollte daher immer individuell geprüft werden, welche Aufgabe mit welchen Werkzeugen am effizientesten lösbar ist. Um beispielsweise Objekte zu finden, gibt es ganz unterschiedliche Möglichkeiten. Lassen sich diese aufgrund der Perspektive, der Form und der Farbe gut beschreiben und unterscheiden, kann auch eine Blob-Analyse sehr gute Ergebnisse liefern. Anhand eines farblichen Schwellwerts liefert dann eine Segmentierung schnell die gewünschte Form oder Position der Objekte. Wenn Merkmale so eindeutig und mit wenigen Vorgaben definierbar sind, ist dazu kein aufwändiges CNN-Training mit Beispieldaten notwendig.

Handelt es sich hingegen um komplexere Objekte mit mehr natürlicher Varianz oder die Lage der Objekte variiert stark, da es sich um bspw. Schüttgut handelt, ist die Merkmalserkennung schon schwieriger. Hier kann ein trainiertes Netz aufgrund geeigneter Beispielbilder von verschiedenen Objektansichten guter Teile sehr viel effektiver eine Anomalie erkennen. Ein weiterer Mehrwert dieser KI-Methode besteht darin, auch solche Abweichung vom Normalfall zu erkennen, die im Training unterrepräsentiert sind. Mit anderen Worten: solche, die gar nicht geplant waren. Wo also andere Methoden bei etwas "Unbekanntem" unsicher werden, manchmal sogar versagen, bleibt dieser Methode mit hoher Sicherheit nichts verborgen. Und das schließt alles ein, was im normalen Betrieb irgendwann einmal vorkommen kann. Durch kontinuierliche Daten über einen Systemzustand, zum Beispiel in Form von zunehmenden Produktfehlern oder Abweichungen, also Anomalien, ist man in der Lage einen optimalen Zeitpunkt für die Wartung eines Systems zu bestimmen, bevor die Produktqualität zu stark absinkt oder ein Worst-Case-Szenario wie ein Anlagenausfall eintritt.

Anders Denken

Es gibt nicht eine beste Technologie für alle Aufgaben aus ganz unterschiedlichen Anwendungsszenarien. Es ist wichtig, eine gründliche Analyse durchzuführen, um festzustellen, welcher Ansatz am besten zu den gegebenen Umständen passt. In einigen Fällen können regelbasierte Ansätze immer noch effektiv und effizient sein. Auf der anderen Seite ist KI-Vision kein Trend, der morgen wieder vergessen ist. Ihre Vielseitigkeit komplexe Aufgaben mit hoher Präzision für viele Anwendungsbereiche zu bewältigen, macht sie für viele Unternehmen äußerst wertvoll. Ihre Entwicklung schreitet stetig voran und wird durch Forschungsinvestitionen und Förderprogramme vorangetrieben. Sie ist jedoch nicht besser und wird regelbasierte Bildverarbeitung auch nicht ersetzen! Um die besten Ergebnisse zu erzielen ist es daher oft sinnvoll, mehrere Ansätze zu kombinieren. Wer KI-Vision erfolgreich einsetzen möchte muss offen genug sein, um Ideen und Experimente zuzulassen.