Hybride Systeme
Auch wenn bei der Anwendung von Deep Learning Herausforderungen bleiben, wie etwa die Ausführungszeiten und der Trainingsaufwand für die neuronalen Netze, ist man sich bei Framos sicher, dass alle klassifizierenden Ansätze z.B. bei der Qualitätsüberwachung oder beim Sortieren mittelfristig von Deep Learning dominiert werden. Auch Dr. Noffz ist überzeugt: „Mit dem Ansatz ´Trainieren statt programmieren‘ kann Deep Learning eine sehr hohe Verbreitung erzielen. So sind Klassifikationsaufgaben wesentlich einfacher zu lösen, als mit den existierenden algorithmischen Methoden. Für viele weitere Aufgabestellungen qualifizieren sich neuronale Netze ganz besonders, wie etwa für reflektierende Oberflächen, schlecht ausgeleuchtete Umgebungen, bewegende Objekte, Robotik und 3D.“ Auch beim portugiesischen Aussteller Neadvance (www.neadvance.com) teilt man diese Überzeugung: „Anwendungsbereiche, bei denen Objekterkennung oder -klassifizierung das Primärziel sind, werden sich eindeutig von traditionellen Ansätzen hin zu Deep Learning bewegen, etwa bei Texturanalysen, Template Matching, OCR, Lagebestimmungen, Analyse von urbanen Szenen und Handschriftenerkennung.“ Nichtsdestotrotz kann eine Kombination mit klassischer Bildverarbeitung sinnvoll sein, um eine 100-Prozent-Klassifizierung zu gewährleisten, erläutert Vassilis Tsagaris, CEO von Irida Labs (www.iridalabs.gr): „Es wird nicht lange dauern, bis wir mehr und mehr hybride Systeme sehen werden, da oftmals neben Deep Learning auch Computer-Vision-Algorithmen benötigt werden.“ Volker Gimple ist ebenfalls überzeugt, dass viele Bereiche bleiben, in denen sich konventionelle Methoden behaupten können, weil diese ein entscheidendes Merkmal bieten, das Machine-Learning-Ansätzen in der Regel fehlt: „Die Nachvollziehbarkeit von Entscheidungen und Fehlentscheidungen“.
Embedded Devices
Deep-Learning-Anwendungen können auch auf Embedded-Vision-Geräten ausgeführt werden. „Auf dem weit verbreiteten Embedded-Board Nvidia Jetson TX2 läuft auch die Deep-Learning-Inferenz von Halcon“, so Dr. Munkelt. So entstünde gerade im dezentralen Computing-Ansatz von Industrie 4.0 vermehrt Bedarf an Embedded Vision mit Deep-Learning-Lösungen, bei denen kleine Bildverarbeitungseinheiten oder intelligente Kameras anspruchsvolle Teilaufgaben übernehmen können. Silicon Software plant demnächst die Vorstellung seiner Deep-Learning-Lösung unter Visual Applets auf einem FPGA. Auch Irida Labs wird eine solche Verknüpfung auf der Vision präsentieren. Ihr DeepAPI-Framework ist eine Bibliothek zur Implementierung von Deep Learning an jedem Embedded-Gerät, das mit einer begrenzten Bilderzahl bereits zur Qualitätsprüfung eingesetzt werden kann.
