Anzeige

Deep Learning ist einer der Schwerpunkte der Vision 2018

Trainieren statt programmieren

Vorbericht Vision 2018: Deep Learning im Fokus

Angetrieben von immer schnellerer Rechenleistung hat sich Deep Learning in der Bildverarbeitungsbranche zu einem Megatrend entwickelt, der auch die Vision 2018 (6. bis 8. November in Stuttgart) prägen wird.

Deep-Learning-Systeme werden auch zum Erfassen und Zählen von Fahrzeugen und Personen eingesetzt. Zahlreiche weitere Deep-Learning-Neuheiten und Anwendungen sind auf der Vision 2018 zu sehen. (Bild: Neadvance)

Deep-Learning-Systeme werden auch zum Erfassen und Zählen von Fahrzeugen und Personen eingesetzt. Zahlreiche weitere Deep-Learning-Neuheiten und Anwendungen sind auf
der Vision 2018 zu sehen. (Bild: Neadvance)

Deep-Learning-Systeme, als Teilbereich von Machine Learning und Künstlicher Intelligenz, haben einen anderen technologischen Ansatz als die derzeitige Bildverarbeitungstechnik. Die neuen Systeme zeichnen sich dadurch aus, „dass große Mengen an digitalen Bilddaten analysiert und damit Modelle von bestimmten, zu erkennenden Objekten trainiert werden“, so Dr. Olaf Munkelt, Geschäftsführer MVTec (www.mvtec.com): „Mit Hilfe dieser Trainingsdaten lernt der Klassifikator dann, zwischen den eingegebenen Klassen zu unterscheiden“.

Flexible Entscheidungen

„Die Stärke von Deep Learning liegt darin, dass ein solcher Ansatz flexibler entscheiden kann, als ein Satz vorgegebener Regeln in konventionellen Bildverarbeitungs-Systemen“, betont Volker Gimple, Gruppenleiter Bildverarbeitung bei Stemmer Imaging (www.stemmer-imaging.de). Dr. Klaus-Henning Noffz, Geschäftsführer Silicon Software (https://silicon.software), ergänzt: „Deep Learning punktet immer dann, wenn Prüfobjekte große Variationen aufweisen und schwer mathematisch modellierbar sind.“ Deep Learning kann somit überall dort eine Alternative sein, wo konventionelle Bildverarbeitungssysteme an ihre Grenzen stoßen: „Deren größte Herausforderungen sind ein sich veränderndes optisches Umfeld, die immer größere Produktvielfalt sowie die Komplexität des Bildes selbst“, so Hanjun Kim, Marketing Manager bei Sualab (www.sualab.com): „Auch in Bereichen, wo Bildverarbeitung bereits implementiert ist, kann der zusätzliche Einsatz von Deep Learning Genauigkeit und Geschwindigkeit des Prüfvorgangs drastisch beschleunigen.“

Vielfältige Anwendungen

Eingesetzt wird Deep Learning heute bereits in Anwendungen, wo Bildverarbeitung eine Klassifizierung des untersuchten Objekts vornimmt. Dr. Noffz beschreibt eine Anwendung aus dem Automobilbau: „Selbstlernende Algorithmen erkennen hier beispielsweise winzige Lackfehler, die mit bloßem Auge nicht sichtbar sind“. Auch die Nahrungsmittel- und Getränkeindustrie profitiert von Deep-Learning. „So können z.B. minderwertige Früchte und Gemüse präzise identifiziert und inspiziert werden, bevor sie verpackt oder weiterverarbeitet werden“, erläutert Dr. Munkelt. Auch Dr. Christopher Scheubel, Head of IP & Business Development bei Framos (www.framos.com), beschreibt eine Anwendung, bei der mit Deep Learning Gebinde für einen Lebensmitteleinzelhändler sortiert und klassifiziert werden. Deepsense (www.deepsense.ai) stellt auf der Vision eine Lösung zur visuellen Qualitätskontrolle vor, die sich ohne langwierige Programmierung zur Inspektion von Objekten mit komplexen Mustern wie etwa Holz oder Textilien eignet. Robert Bogucki, Chief Science Officer bei Deepsense, sieht zudem zukünftige Anwendungschancen im Bereich Healthcare.

Anzeige

Empfehlungen der Redaktion

Das könnte Sie auch interessieren

Ein neuer Algorithmus kombiniert Photometric Stereo Imaging mit der Analyse entstehender Reflektionen. Dazu werden unterschiedliche Beleuchtungswinkel realisiert und die Reflexionseigenschaften jedes einzelnen Objektpunktes analysiert.

www.opto.de

Anzeige

Der LED-Controller NT-I bietet nun die prozentgenaue, stufenlose Einstellung der Helligkeit über eine Digitalanzeige. Damit lässt sich die Helligkeit exakt und reproduzierbar regeln.

www.optometron.de

Anzeige

Mit einer intelligenten Kombination aus 3D-Stereovision, IPC und Vision Software, die auf Methoden der Künstlichen Intelligenz basiert, können Roboter jetzt beliebige Objekte greifen, ohne sie vorher zu kennen.‣ weiterlesen

www.robominds.de

Anzeige

Die AIA hat im Rahmen ihrer 16. Networking Reception auf der Vision die aktuellen Zahlen des amerikanischen Bildverarbeitungsmarktes präsentiert. Um +17,5% wuchs der Markt in den ersten sechs Monaten 2018 im Vergleich zum Vorjahr, das heißt von 1,24Mrd. US$ (2017) auf 1,46 Mrd. US$ (2018). Da der Auftragseingang derzeit sinkt, geht der amerikanische Verband lediglich von einem Gesamtwachstum von +7% für das gesamte Jahr 2018 und +3% für 2019 aus.

www.visiononline.org

Anzeige

Mit Hilfe von Computer Vision, Computergrafik, maschinellem Lernen und Robotik wird am Fraunhofer ITWM ein virtuelles Framework konzipiert, welches das iterative Design eines Inspektionssystems unterstützt und somit ein fixes Bildaufnahme-Setup als Ausgangspunkt umgeht.‣ weiterlesen

www.iese.fraunhofer.de

Moderne Kameratechnik reduziert maßgeblich den Zeit- und Kostenaufwand bei der Instandhaltung von Schienenfahrzeugen.‣ weiterlesen

www.psi-technics.com

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige