Wie maschinelles Sehen autonome Fabrikanlagen fördert

| Autor / Redakteur: Mark Patrick * / Margit Kuther

Industrieroboter: Die wachsende Verbreitung des maschinellen Sehens geht mit dem Trend einher, Industrieanlagen mit dem Internet of Things zu vernetzen.
Industrieroboter: Die wachsende Verbreitung des maschinellen Sehens geht mit dem Trend einher, Industrieanlagen mit dem Internet of Things zu vernetzen. (Bild: clipdealer)

Inspektionsanlagen können die Ergebnisse aus Bildverarbeitungssystemen nutzen, um direkt mit dem Equipment in der Farbrik zu kommunizieren. Dies erschließt neue Entwicklungsfelder für Embedded-Applikationen.

In den letzten Jahren hat sich das maschinelle Sehen drastisch weiterentwickelt. Durch modernste Algorithmen, die Kanten und Bewegungen in Videos erfassen sowie Fortschritte in der Halbleitertechnologie bei Bildsensoren, programmierbarer Logik, Mikrocontroller und Grafikprozessoren (GPUs) hat maschinelles Sehen in eine Vielzahl von Embedded-Applikationen Einzug gefunden.

Ausgefeilte Designs, die auf ein FPGA gespeichert werden können, werden mit neuen Entwicklungsumfeldern wie OpenCV genutzt, um Entwicklern von Embedded-Systemen das maschinelle Sehen zugänglicher zu machen.

Überwachung autonomer Roboter und von Kontrollsystemen

Die wachsende Verbreitung des maschinellen Sehens geht mit dem Trend einher, Industrieanlagen mit dem Internet of Things zu vernetzen. Da Sensoren immer intelligenter werden, teilweise bedingt durch unterstützende Algorithmen für Computervision, bieten die erzeugten Daten wertvolle Einblicke in den Betrieb industrieller Systeme. Das wiederum eröffnet neue Möglichkeiten zur Überwachung der Ausrüstung mit – an IoT-Infrastrukturen verbundenen – autonomen Robotersystemen, z.B. Drohnen.

Ein Teil dieses Umschwungs zum maschinellen Sehen wird durch Faktoren des Bandbreitenbedarfs vorangetrieben, Die potenzielle Automatisierung weiterer Abschnitte von Industrieanlagen ist ebenfalls ein großer Anreiz. Kontrollsysteme gehören zu den Hauptanwendungen des maschinellen Sehens. Der Preis für leistungsstarke Kamerasysteme mit CMOS-Bildsensoren ist während des letzten Jahrzehnts erheblich gefallen, wodurch Boards und Systeme während der Herstellung mit einer höheren Auflösung überprüft werden können. Kombiniert mit FPGAs tragen diese Kameramodule zu besserer Auswertung und besseren Entscheidungen bei. Dementsprechend kann die Kamera besser auf die erhaltenen Daten reagieren, was die Notwendigkeit, Videos über das Netzwerk zu verschicken, reduziert, und die Effizienz der Betriebsabläufe allgemein steigert.

Statt Rohdaten Informationen auf hohem Abstraktionslevel

Durch die Vernetzung mit dem IoT stellen Prüfgeräte mit maschinellem Sehen Unternehmenssystemen, die eine Performanceanalyse des Betriebs durchführen, mehr Daten zur Verfügung. Statt einfacher Rohdaten, bietet maschinelles Sehen Informationen auf einem Abstraktionslevel, der für solche Systeme angemessen ist.

So wird die Übertragungsbandbreite für Server und das gesamte Netzwerk weniger ausgelastet. Unternehmenssysteme verarbeiten Millionen von Datensätzen aus dem IoT – je weniger die Server ausgelastet werden, desto zeitnaher können Entscheidungen getroffen werden.

Inspektionsanlagen und Roboter kommunizieren direkt

Die steigende Übernahme von maschinellem Sehen hat auch Roboterführungssystemen in automatisierten Fabriken die Türen geöffnet. Von den aus dem Bildverarbeitungssystemen erlangten Ergebnissen ausgehend, können Inspektionsanlagen so die zentralen Server des Unternehmens umgehen und direkt mit dem Equipment in der Farbrik kommunizieren. Neben einer erhöhten Leistungsfähigkeit wird gleichzeitig die Auslastung des Netzwerks und Servers weiter reduziert.

Maschinelles Sehen wird auch zur Steuerung automatisierter Anlagen genutzt, vor allem in Förderanlagen. Vom Kontrollsystem für autonome Roboter, die in einer Fabrik Materialien weitergeben, bis hin zu automatischen Sortiermaschinen, die in Lagerhäusern Produkte identifizieren, umfasst das quasi alles.

Bei eigenständigen Materialhandling-Robotern kann das maschinelle Sehen aus dem einfachen Erkennen einer Spur auf dem Boden bestehen, der Roboter von einer Stelle zur nächsten folgen. Es kann jedoch auch Personen oder Hindernisse auf dem Weg erkennen, was Sicherheit und Effizienz in der Zusammenarbeit von Mensch und Maschine erhöht.

Wie bereits erwähnt, setzen auch Förderanlagen maschinelles Sehen ein. Produkte werden über den Barcode erkannt und Greifroboter so ausgerichtet, dass er einen bestimmten Artikel erfasst und in einen Korb legt. Kamera und lokale Verarbeitung sind in diesem Zusammenhang unerlässlich und die Greifroboter werden über das IoT konstant überwacht (Bild 1).

Maschinelles Sehen, eingesetzt in Drohnen

Mit unbemannten Luftfahrzeugen (Umanned Aerial Vehicle, UAV), die immer mehr auf maschinelles Sehen angewiesen sind, erstreckt sich das auch bis in die Lüfte. UAVs haben sich vor allem für die Inspektion schwer erreichbarer Gebiete (z.B. Ölpipelines oder Gasanlagen) als sehr effektiv erwiesen.

Mit maschinellem Sehen erfassen und nähern sich Drohnen an ein bestimmtes Zielgebiet, damit sie es näher inspizieren können. Ist die Kamera mit der boardeigenen Flugsteuerung verbunden, können sie auch feststehende Hindernisse erkennen oder anderen Drohnen ausweichen, weshalb maschinelles Sehen auch für den Kollisionsschutz genutzt wird.

Dann ist da noch die Surveillance. Auch hier hat die wachsende Nutzung des maschinellen Sehens immense Auswirkungen. Statt Videodaten im Megabit-Bereich an den Server zu schicken, damit sie jemand begutachten kann, wird das Video vor Ort berarbeitet und ein Alarm, wenn nötig, ohne menschliches Eingreifen ausgelöst.

Die auf FPGAs laufenden Algorithmen für maschinelles Sehen werden immer genauer. Folglich können diese viel besser zwischen einem Eindringling, einem Tier oder z.B. Blätter an einem Baum unterscheiden. Betreiber können somit eine größere Anzahl von Überwachungsknoten betreuen. Überwachungskameras selbst können anderen Maschinen befehlen, auf den Alarm zu reagieren.

Die Kombination von autonomen Land- und Luftfahrzeugen wie Drohnen hat das Potenzial, den gesamten Überwachungsbetrieb zu revolutionieren. Statt festgemachter Kameras, die umgangen werden können, werden bildgebende Systeme auf fliegende Objekte montiert, die ein Gebiet während ihres Fluges ständig überwachen.

Ist der Akku fast leer, kehren die Drohnen einfach ihre Ladestation zurück und die nächsten fliegen an ihrer statt los. Fortschrittlichere Algorithmen für maschinelles Sehen erkennen potenzielle Gefahren und rufen weitere Luft- und Landfahrzeuge in das Gebiet, um die Situation genauer zu prüfen – alles ohne menschliches Eingreifen. Das gleiche gilt für die Landwirtschaft. Eine Drohne mit entsprechenden Machine-Vision-Algorithmen kann den Zustand der Feldfrüchte prüfen und den Landwirt (oder einen autonomen Traktor) in das entsprechende Gebiet leiten, sollte ein Problem auftreten, das schnelles Handeln erfordert.

Ermöglicht wurden die hier dargelegten Anwendungsmöglichkeiten durch die Fortschritte in Hard- und Software. Die Struktur der Machine-Vision-Algorithmen werden immer ausgeklügelter und können auf die neuesten FPGAs und GPUs gespeichert werden, die 8 bis 16 Kanäle gleichzeitig bewältigen und eine Bildwiederholraten von 60 Bildern pro Sekunde unterstützen. Sie können auch mit Highlevel-Software wie OpenCV gekoppelt werden.

Software-Unterstützung für maschinelles Sehen

Obwohl OpenCV ursprünglich vor allem für Forschung und Prototyping genutzt wurde, ist die Software in den letzten Jahren vermehrt in Produkten – von der Cloud bis zu Mobilgeräten – auf verschiedenen Plattformen eingesetzt worden. Die neueste Version OpenCV 3.1 wurde zwar gerade veröffentlicht, doch schon die vorige Version 3.0 wurde mit einer umfassenden Überarbeitung an heutige C++-Standards angepasst und erhielt erweiterte 3D- sowie Augmented- Reality-Fähigkeiten. Version 3.1 führt verbesserte Algorithmen für wichtige Funktionen ein, wie Kalibrierung, Optical-Flow, Bildfilterung, Segmentierung und Merkmalerkennung.

Möglichkeiten des maschinellen Sehens in der Zukunft

Maschinelles Lernen ist die logische nächste Stufe. Mit Algorithmen kann eine Computervision deterministische Analysen von Bildern und Videos liefern. Eine Schwierigkeit ist jedoch, dass Maschinenlernen andere neuronale Netzwerkansätze verwendet, um einem System beizubringen, wonach es Ausschau halten soll. Die neueste Version von OpenCV zum Beispiel unterstützt dichte neuronale Netzwerke für maschinelles Lernen.

Auch die verbesserte Leistungsfähigkeit der FPGAs und GPUs eröffnet neue Möglichkeiten für das maschinelle Lernen. Diese ist auf eine Trainingsphase angewiesen, die dem neuronalen Netzwerk verschiedene Bilder mit markierten Objekten zeigt und wird normalerweise von einem großen Serversystem in einem Labor oder in der Cloud gehandhabt. Es produziert eine Reihe von Gewichtungs- und Messdaten, die dann in dem gleichen Netzwerk angewandt werden, das im Embedded-Design durchgeführt wird.

Mit dieser Gewichtung beurteilt diese „Folgerungsmaschine“, ob es diese Objekte innerhalb der neuen Daten sieht. Die neuesten Überwachungskameras zum Beispiel nutzen ein neuronales Netzwerk aus Machine-Learning-Algorithmen, die über die üblichen Funktionen hinausgehen (wie Überwachen und Aufnahmen) und zusätzliche Videoanalysefunktionen (z.B. Überwachung eomer Ansammlung von Menschen, stereoskopische Betrachtung, Gesichtserkennung, Personenzählung und Verhaltensanalyse) anbieten. So vor Ort verarbeitete Daten können in das IoT eingespeist und in eine umfassendere Analysesoftware in der Cloud integriert werden.

Maschinelles Sehen fördert die Effizienz in Betrieben

Durch die Verbindung von maschinellem Sehen mit dem IoT entsteht eine leistungsstarke Netzwerkfähigkeit. Netzwerkknoten können intelligenter und selbständiger agieren, wenn Objekte über Kameras erkannt werden, was die Rechenlast der Zentralserver reduziert und eine stärkere Dezentralisierung der Steuerungsarchitektur erlaubt. Das wiederum ermöglicht einen effizienteren Betrieb, der mit viel weniger externen Input auskommt.

Für jede Applikation den passenden Bildsensor

Sensor

Für jede Applikation den passenden Bildsensor

04.07.17 - Maschinelles Sehen beschreibt Systeme, die in der Bildverarbeitung und zur Erkennung spezifischer Muster eingesetzt werden. Entscheidend ist der Bildsensor, der zur jeweiligen Applikation passen muss. lesen

Mit Drohnen Geld verdienen

Mit Drohnen Geld verdienen

03.04.17 - Kommerzielle Drohnen sind auf dem Vormarsch – als fliegender Lotse, Lieferant, Vermesser, Farmer, Security, Tauch-, Selfie- und Bienendrohne. So zeigten auf der CeBit 2017 etwa Intel, Amazon, IBM Watson und Microsoft ihre Drohnenprojekte. Lesen Sie, welche. lesen

IoT im Stall und auf dem Acker

Aktion Elektronik hilft

IoT im Stall und auf dem Acker

15.12.16 - Auf dem Acker arbeiten Landmaschinen GPS-gestützt und sensorgesteuert für eine gezielte Nährstoffversorgung der Pflanzen. Trends in der Landwirtschaft sind Feldroboter, Drohne und fahrerloser Traktor. lesen

* Mark Patrick ist Mitarbeiter bei Mouser Electronics

Kommentar zu diesem Artikel abgeben

Schreiben Sie uns hier Ihre Meinung ...
(nicht registrierter User)

Kommentar abschicken

 

Copyright © 2017 - Vogel Business Media