Wie Bildverarbeitung ohne Expertenwissen von KI profitiert
Komplettes KI-Ökosystem
Der Einsatz von Machine Learning in der Bildverarbeitung ist seit Langem etabliert. Die Herausforderung besteht jedoch darin, dass zur Umsetzung oft Spezialwissen sowie unterschiedliche Hard- und Softwarekomponenten benötigt werden. Mit einem kompletten KI-Ökosystem für industrielle Anwendungen stellt Beckhoff jetzt eine durchgängige Systemlösung aus einer Hand zur Verfügung.
Bild: Beckhoff Automation GmbH & Co. KGDer Beckhoff Systembaukasten basiert auf PC-based Control mit der Automatisierungsplattform Twincat. Dieser Ansatz integriert alle Komponenten in einem Steuerungs-IPC und einer Automatisierungssoftware, was Engineering, Wartung und Systemerweiterung erheblich erleichtert. Die Verwendung einer einzigen, offenen und hochskalierbaren Steuerungslösung reduziert die Komplexität, steigert die Effizienz und minimiert die Fehleranfälligkeit, da komplizierte Schnittstellen entfallen und bekannte Programmiersprachen verwendet werden. Die offene Architektur von Twincat unterstützt standardisierte Schnittstellen und ermöglicht die Einbindung weiterer Komponenten sowie die Integration in bestehende Systeme.
Die Ausführung in der Twincat-Echtzeit ermöglicht eine präzise Steuerung und Synchronisierung aller Automatisierungsprozesse. Durch die nahtlose Integration und die synchronisierte Ausführung von z.B. Vision-Algorithmen, SPS, Motion Control und Messtechnik im gleichen Takt entfallen Verzögerungen, die sonst durch Kommunikation und Jitter entstehen. Zudem können die Berechnungsergebnisse direkt weiterverwendet werden. Das hochskalierbare IPC-Portfolio von Beckhoff ermöglicht es Anwendern, aus einer Vielzahl von CPU-Architekturen, Formfaktoren und Leistungsklassen zu wählen, um die spezifischen Anforderungen ihrer Anwendungen zu erfüllen. Durch diese Flexibilität lassen sich sowohl einfache Steuerungsaufgaben als auch hochkomplexe, zeitkritische Prozesse effizient lösen.
Bild: Beckhoff Automation GmbH & Co. KGKI-basierte und
klassische Algorithmen
Twincat Vision stellt sowohl klassische als auch KI-basierte Algorithmen in einer Bibliothek zur Verfügung, sodass komplexe Probleme in kleinere Einzelschritte zerlegt und dann mit dem jeweils am besten geeigneten Algorithmus analysiert werden können. Einfache Aufgaben lassen sich direkt mit klassischen Algorithmen lösen oder sorgen mit Teilergebnissen oder Vorverarbeitung für eine Reduzierung der Anforderungen an KI-Modelle. Das hat den Vorteil, dass ein KI-Modell weniger Trainingsdaten benötigt und daher schneller trainiert, getestet und einfacher gewartet werden kann. In der Regel führt es auch zu kleineren Modellen, die weniger Rechenzeit erfordern. Beide Ansätze bieten jeweils Vorteile, sodass es kein Entweder-oder ist, sondern ein guter Lösungsansatz, der das Beste aus beiden Welten vereint.
Bild: Beckhoff Automation GmbH & Co. KGBildqualität ist entscheidend
Egal ob klassische oder KI-basierte Analyse, die Bildqualität hat in beiden Fällen einen entscheidenden Einfluss auf das Ergebnis und die Stabilität der Auswertung. Zum einen muss die Bildauflösung hoch genug sein, um das kleinste relevante Merkmal oder die kleinste Störstelle abbilden zu können. Zum anderen muss die Beleuchtung entsprechend den Objekteigenschaften ausgelegt sein, damit die Merkmale im besten Fall hervorgehoben werden und nicht unter- oder überblendet sind. KI-basierte Methoden können - sofern gut trainiert - sehr robust sein und besser mit Varianzen umgehen. Sind diese zu ausgeprägt, kann das aber dazu führen, dass die Modelle entweder die ändernden Merkmale gar nicht betrachten oder sich auf die falschen Merkmale konzentrieren. Für ein optimal ausgelegtes Vision-System bietet Beckhoff daher ein umfassendes systemintegriertes Vision-Portfolio mit verschiedenen Kameras, Objektiven, Beleuchtungen, Units und passendem Zubehör an. Weitere Technologien wie Thermografie, Lasertriangulation oder Time-of-Flight können über den GigE-Vision-Standard integriert werden.
Am Projektbeginn steht der Systemaufbau, der in beiden Fällen gleich erfolgt: Durch die vollständige Integration der Bildverarbeitung in das Twincat-Engineering und die Einbindung der Beckhoff Vision-Hardware per Ethercat erfolgt die gesamte Konfiguration, Programmierung und Inbetriebnahme im gleichen Entwicklungstool. Da die Konfiguration bzw. die Programmierung in der gewohnten Umgebung stattfinden, vereinfacht und beschleunigt sich das Engineering. Nach der Inbetriebnahme stehen die Bilddaten in der Twincat Runtime zur Verfügung und können mit Twincat Vision analysiert, vorverarbeitet oder direkt in gängigen Bildformaten abgespeichert werden. Darüber hinaus stehen weitere Produkte wie z.B. der Twincat 3 Analytics Logger oder Database Server zur Verfügung, um die Bilddaten für ein Modell-Training zu sammeln.
KI-Ökosystem
Beckhoff bietet ein komplettes Ökosystem für industrielle KI-Anwendungen, mit Fokus auf der Ausführung von KI-Modellen, direkt auf der Industriesteuerung. Dazu stehen SPS-integrierte Ausführungsmodule für trainierte KI-Modelle zur Verfügung (Twincat Machine Learning Server, Twincat Vision Neural Networks, Twincat Neural Network Inference Engine). Diese können sowohl auf die Rechenressourcen der CPU als auch auf die einer Nvidia-GPU zurückgreifen. Die KI-Ausführungsmodule von Twincat laden trainierte KI-Modelle, die im offenen Standard Onnx abgespeichert wurden. Dadurch hat der Nutzer die Freiheit, in beliebigen Trainingsumgebungen KI-Modelle zu trainieren und dann in der Twincat-Steuerung auszuführen. Eine Onnx-Datei beschreibt ein trainiertes KI-Modell als Abfolge von Operatoren mit anhängigen Parametern. Für das Training und den Export eines Modells als Onnx-Datei werden in der Regel spezielle KI-Frameworks wie PyTorch oder Scikit-learn verwendet. Die Zielgruppe dieser KI-Frameworks sind allerdings spezielle KI-Experten, die in der Programmierumgebung Python Trainingsdaten aufbereiten, KI-Modellstrukturen anlegen und dann KI-Modelle trainieren.
Beckhoff bieten nun mit dem Twincat Machine Learning Creator einen deutlich einfacheren Zugang und befähigt dadurch direkt den Automatisierungs- oder Prozessexperten, KI-Modelle zu erstellen. Der Ansatz ist eine webbasierte Oberfläche, welche durch die Schritte Daten-Upload, Modell-Training sowie Modell-Analyse und -Download führt. Zielgruppen sind insbesondere Anwender ohne einen spezifischen Data-Science-Hintergrund. Ziel ist die Standardisierung des Trainingsprozesses von KI-Modellen.
Workflow für vereinfachtes Modell-Training
Um eine Durchgängigkeit von Daten aus der Twincat-Steuerung zum Machine Learning Creator herzustellen, wird aktuell daran gearbeitet, den Twincat Analytics Data Scout als Labeling-Werkzeug einzusetzen. Der Datenupload zum Machine Learning Creator ist offen gestaltet. Es werden unterschiedliche Bild-Datenformate sowie Label-File-Formate unterstützt, wodurch der Anwender frei in der Wahl eines Labling-Werkzeugs ist.
Im nächsten Schritt erfolgt die Konfiguration einer KI-Trainingssession, wo zunächst nur ein Modellname anzugeben und ein Datensatz (oder mehrere Datensätze) auszuwählen sind. Alle weiteren Konfigurations- und Optimierungsmöglichkeiten sind optional. So kann z.B. eine bestimmte Beckhoff Hardwareplattform und eine maximal akzeptable Ausführungszeit angeben werden. Die Informationen werden beim Erstellungsprozesses der KI-Modelle berücksichtigt. Wird keine maximale Ausführungszeit angegeben, optimiert der Twincat Machine Learning Creator ausschließlich nach dem Gesichtspunkt der KI-Modell-Performance (Generalisierungsfähigkeit).
Nachdem das Training beendet ist, stellt sich die Frage nach der Performance des Modells. Da neuronale Netze Black-Boxes sind, d.h. deren Wirkungsweise nicht direkt, sondern nur über spezielle Analysemethoden transparent gemacht werden können, spricht man bei diesen Methoden auch von Explainable AI. Sie dienen dazu, die Akzeptanz des KI-Modells zu erhöhen. Denn nur wer genauere Einblicke darin erhält, wie sich das trainierte Modell verhält, ist am Ende auch bereit die Modelle einzusetzen. Die Analysemethoden für ein trainiertes KI-Modell sind vielfältig. Der Twincat Machine Learning Creator trennt automatisch den hochgeladenen Datensatz in Trainingsdaten, die zum Modell-Training genutzt werden, sowie in Testdaten, die der Modell-Analyse dienen. Die Testdaten sind dem KI-Modell unbekannte Fälle, von denen nur das Ergebnis über die Labels bekannt ist. So können z.B. statistische Werte berechnet und dargestellt werden, wie oft ein Klassifikator richtig liegt und wie oft nicht. Eine sogenannte Confusion-Matrix gibt beispielsweise detailreich Aufschluss darüber, wie wahre und vorhergesagte Labels verteilt liegen. Weiterhin werden für jede Modellausführung Konfidenzen berechnet und statistisch dargestellt sowie eine Attention-Map erzeugt. Diese wird über das Eingangsbild gelegt und zeigt, welche Bildregionen maßgeblich zur Klassifikation herangezogen wurden.
Ist ein KI-Modell trainiert folgt im letzten Schritt die Integration in die Maschinensteuerung. Dazu können das Modell als Onnx-Datei sowie der vollständige SPS-Code für Twincat im PLCopen-XML-Format von der Plattform heruntergeladen werden. Das KI-Modell ist aufgrund des offenen Standards nicht an die Ausführung in Twincat gebunden und kann auch auf beliebigen anderen Plattformen verwendet werden. Der SPS-Code enthält den vollständigen Prozessablauf von der Bildaufnahme über die Bildvorverarbeitung bis hin zur KI-Modellausführung und zum Postprocessing. Der Übergang vom Trainingstool in die Twincat-SPS ist entsprechend nahtlos gestaltet.
Industrielle KI-Hardware
Beckhoff bietet ergänzend zur Vision-Hardware (Kameras, Optiken, Beleuchtungen...) auch ein hinsichtlich Rechenleistung und Formfaktor fein skalierbares IPC-Portfolio. Besonders gut eignet sich der speziell für Vision- und KI-Anwendungen ausgelegte Ultra-Kompakt-Industrie-PC C6043, der trotz seiner geringen Abmessungen bereits über eine integrierte Embedded-GPU von Nvidia nach industriellen Standards verfügt. Somit entfallen kostenintensive weitere Hardware-Geräte mit aufwendigen Interfaces zur Steuerung, eigenen Wartungs- und Update-Plänen sowie separaten IT-Security-Richtlinien.
www.beckhoff.com/c6043
Der Einsatz von Machine Learning in der Bildverarbeitung ist seit Langem etabliert. Die Herausforderung besteht jedoch darin, dass zur Umsetzung oft Spezialwissen sowie unterschiedliche Hard- und Softwarekomponenten benötigt werden. Mit einem kompletten KI-Ökosystem für industrielle Anwendungen stellt Beckhoff jetzt eine durchgängige Systemlösung aus einer Hand zur Verfügung.
Bild: Beckhoff Automation GmbH & Co. KGDer Beckhoff Systembaukasten basiert auf PC-based Control mit der Automatisierungsplattform Twincat. Dieser Ansatz integriert alle Komponenten in einem Steuerungs-IPC und einer Automatisierungssoftware, was Engineering, Wartung und Systemerweiterung erheblich erleichtert. Die Verwendung einer einzigen, offenen und hochskalierbaren Steuerungslösung reduziert die Komplexität, steigert die Effizienz und minimiert die Fehleranfälligkeit, da komplizierte Schnittstellen entfallen und bekannte Programmiersprachen verwendet werden. Die offene Architektur von Twincat unterstützt standardisierte Schnittstellen und ermöglicht die Einbindung weiterer Komponenten sowie die Integration in bestehende Systeme.
Beckhoff Automation GmbH & Co. KG
Dieser Artikel erschien in www.invision-news.de 2024 - 31.12.24.Für weitere Artikel besuchen Sie www.invision-news.de
