KI für jedermann
Automatische Generierung von Deep-Learning-Modellen
Die Bildverarbeitungsindustrie adaptiert Deep Learning eher langsam. Ein Punkt, der eine großflächige Adaption verhindert, ist die Zuständigkeit und Verantwortung für die Erstellung und Implementierung der Deep-Learning-Modelle, die bisher beim Anwender lag.
Bild: DeevioWas Machine-Vision-Unternehmen derzeit verkaufen, sind Softwarebibliotheken, also ein Werkzeug zur Erstellung von Deep-Learning-Modellen. Für die richtige Nutzung dieses Werkzeugs und die Genauigkeit der damit generierten Modelle ist aber immer noch der Anwender selbst verantwortlich. Wenn ein Automatisierungsingenieur mit einem existierenden Werkzeug eine Genauigkeit im Bereich von 99 Prozent erreichen will, wird es ihm sehr schwer fallen, das zu schaffen, da er weder Data Scientist noch Experte für Deep-Learning-Anwendungen ist. Um in einem Anwendungsfall eine Genauigkeit zu erreichen, die in einer Produktion erwartet wird, kann man sich nicht alleine auf ein Werkzeug verlassen, sondern benötigt entsprechende Experten im Bereich Data Science.
Erstellung von DL-Modellen
Das Geschäftsmodell von Deevio beruht auf der vollständigen Übernahme der Verantwortung für die Erstellung und Implementierung der Deep-Learning-Modelle für den Anwender. Anstatt selbst mit einem Werkzeug zu arbeiten, stellt der Anwender Bilddaten zur Verfügung und bekommt dafür von dem Team aus Data Scientists ein maßgeschneidertes Modell für die Inspektion seiner Produkte. Dabei ist es unerheblich, ob es sich um s/w, Farbbilder oder 3D-Daten handelt. Um loszulegen, werden ca. 100 Bilder pro Kategorie für die Erstellung eines ersten Modells benötigt, so dass eine Einschätzung der Machbarkeit des Anwendungsfalls möglich ist. Im Anschluss daran erfolgt die Installation eines Kamerasystems in der Produktion, erste Modelltests und die Aufnahme weiterer Produktionsbilder zur Optimierung. Sobald die Genauigkeit im 99 Prozent Bereich liegt, beginnt die Pilotphase mit dem Ziel, das Modell unter realen Bedingungen zu testen und zu industrialisieren. Zusätzlich zum Bildverarbeitungssystem wird eine Analysesoftware angeboten, mit der die Produktivität auf der Linie und die häufigsten Defekte einsehbar sind. Die Klassifizierung jedes Produkts wird gespeichert und somit dokumentiert und nachverfolgbar.
Automatische Modell-Generierung
Aus dem Ansatz der individuellen Erstellung von anwenderspezifischen Deep-Learning-Modellen stellt sich die Frage, wie man dieses Geschäftsmodell skalieren und mit möglichst vielen Kunden arbeiten kann. Die Antwort ist eine automatische Generierung der Deep-Learning-Modelle. Eine proprietäre Software erlaubt es, bis zu 80 Prozent des Trainings und der Modellerstellung zu automatisieren. Dadurch bekommen die Data Scientists die bestmögliche Architektur für das vorhandene Datenset angezeigt und haben die Aufgabe, lediglich die restlichen 20 Prozent des Prozesses manuell zu optimieren. Genau in der Optimierung dieser 20 Prozent liegt aber der Mehrwert des Deevio-Teams, die mit ihrer Expertise so die höchstmögliche Genauigkeit des Modells für den jeweiligen Anwendungsfall erreichen. Durch die Kombination von automatischer Modellgenerierung und manueller Optimierung sind die Modelle genauer und benötigen weniger Speicherplatz. Das Beispiel im Aufmacher zeigt einen echten Anwendungsfall mit Nägeln auf der linken und Metallplatten auf der rechten Seite. Für verschiedene Anwendungsfälle sehen die Deep-Learning-Modelle entsprechend unterschiedlich aus. Das liegt daran, dass keine Standardarchitekturen zum Einsatz kommen, sondern jeweils die am besten geeignete, automatisch generierten Modelle. Da diese auch weniger Speicherplatz und somit auch keine teuren GPUs benötigen, werden sie in Zukunft auf FPGAs laufen, die in Kameras integriert sind. Das Geschäftsmodell ist auch perfekt für eine Zusammenarbeit mit Distributoren und Systemintegratoren geeignet, da die Deevio-Expertise primär in der Modellgenerierung liegt. Derzeit finden bereits erste Zusammenarbeiten mit einigen ausgewählten Partnern satt, die bei Bildakquise und Installation des kompletten Bildverarbeitungssystems für den Endanwender helfen.
Die Bildverarbeitungsindustrie adaptiert Deep Learning eher langsam. Ein Punkt, der eine großflächige Adaption verhindert, ist die Zuständigkeit und Verantwortung für die Erstellung und Implementierung der Deep-Learning-Modelle, die bisher beim Anwender lag.
Bild: DeevioWas Machine-Vision-Unternehmen derzeit verkaufen, sind Softwarebibliotheken, also ein Werkzeug zur Erstellung von Deep-Learning-Modellen. Für die richtige Nutzung dieses Werkzeugs und die Genauigkeit der damit generierten Modelle ist aber immer noch der Anwender selbst verantwortlich. Wenn ein Automatisierungsingenieur mit einem existierenden Werkzeug eine Genauigkeit im Bereich von 99 Prozent erreichen will, wird es ihm sehr schwer fallen, das zu schaffen, da er weder Data Scientist noch Experte für Deep-Learning-Anwendungen ist. Um in einem Anwendungsfall eine Genauigkeit zu erreichen, die in einer Produktion erwartet wird, kann man sich nicht alleine auf ein Werkzeug verlassen, sondern benötigt entsprechende Experten im Bereich Data Science.
Deevio
Dieser Artikel erschien in inVISION 1 2019 - 20.03.19.Für weitere Artikel besuchen Sie www.invision-news.de
