.jpg)
Durch die zunehmende Dynamik der Märkte beschleunigt sich auch die Produktentwicklung. In Monats- statt Jahreszyklen werden neue Entwicklungen zur Marktreife geführt. Bestehende Konzepte liefern darauf kaum eine Antwort.
Von daher ist Flexibilität gefragt, auch für Produktionsstätten, die sich an individuelle Aufgabenstellungen anpassen lassen. Die Sensortechnologie im industriellen Umfeld spielt hier eine besondere Rolle. Zwar gibt es für eine Vielzahl standardisierter Anwendungen die
passende Sensorik. Mit dem wachsenden Bedarf nach individuellen Lösungen, erleben aber auch hier maßgeschneiderte Lösungen eine steigende Nachfrage.
Trainieren an Bildern und Beispielen, Beurteilungsverfahren entwickeln, die Erfahrung des Menschen in den Sensor bringen, so auch bislang unbekannte Ausprägungen und Objekte sicher erkennen und dabei die Treffsicherheit permanent verbessern – mit den
Technologien und Verfahren des Deep Learning steht die industrielle Sensorik vor einem weitreichenden Funktionalitätssprung. Intelligente Kameras können durch mit großen Datenmengen trainierten künstlichen neuronalen Netzen immer anspruchsvollere
Anwendungen im industriellen Umfeld lösen. Die Integration von Deep Learning-Algorithmen in die Software ermöglicht so bei der Bildanalyse und -verarbeitung, trainierte Objekte oder Merkmale automatisch zu erkennen, zu prüfen oder zu klassifizieren.
Keine Verschwendungen.
Durch die intelligente funktionale Spezialisierung von Sensoren gelingt es unter anderem in der Lebensmittel- oder der Holzverarbeitung, die Materialausnutzung zu erhöhen, der Ressourcenverschwendung Einhalt zu gebieten und die Qualität von Produkten und Prozessen zu verbessern. In der Logistikautomation können Deep Learning-Kameras unter Auswertung der eingelernten Bildbasis Sorterschalen auf das Vorhandensein flacher Versandtaschen und ihre tatsächliche Belegung prüfen oder auf einem Band neben- oder übereinanderliegende Objekte als einzelne Einheiten erkennen. Dank Deep Learning
erbringen Sensoren dabei Intelligenzleistungen, die bislang dem Menschen vorbehalten waren – beispielsweise die Erkennung und Evaluierung von Strukturen oder Merkmalen, die vom Sensor im laufenden Betrieb in dieser Form zum ersten Mal erfasst werden.
Zur Realisierung von Deep Learning, kommen neuronale Netzwerke zum Einsatz. Im Gegensatz zum Prozess der klassischen Entwicklung von Algorithmen, die hauptsächlich durch die manuelle Entwicklung einer geeigneten Feature-Repräsentation geprägt ist, wird ein neuronales Netz auf optimale Features für seine Aufgabe trainiert und kann mit geeigneten Daten immer wieder nachgelernt werden, um sich so an neue Gegebenheiten anzupassen.
Trainings.
Sowohl für den Aufbau des Trainingsdatensatzes durch das Erfassen und Bewerten von tausenden von Bildern und Beispielen, als auch für das Training der neuronalen Netzwerke,
nutzt man als ausführende Einheit eine unabhängige leistungsfähige IT-Basis. Das für das Training notwendige umfangreiche Rechnen der komplexen Operationen der Deep Learning-Lösung erfolgt auf speziell dafür ausgestatteten Rechnern mit hoher CPULeistung.
Die daraus generierten neuen Deep Learning-Algorithmen werden lokal auf dem Sensor bereitgestellt und sind so unmittelbar und ausfallsicher beispielsweise auf einer intelligenten Kamera verfügbar. Deep Learning als Teilbereich des maschinellen Lernens (Machine Learning) ist die wohl bedeutendste Zukunftstechnologie innerhalb des Themenfeldes der künstlichen Intelligenz und zugleich auch langfristig Treiber von Industrie 4.0.
