Combineren van machinevisie en neurale netwerken in IIoT

De hersenschors is het deel van de hersenen dat beelden verwerkt. De mens heeft de grootste hersenschors vergeleken met andere zoogdieren. Deze superieure visie is een van de evolutionaire eigenschappen die mensen een voorsprong gaven op andere dieren. Evolutionaire biologen proberen het mysterie achter deze eigenschap te ontrafelen, en technologieonderzoekers proberen het te repliceren.

Figuur 1. Een machine vision-systeem in een fabriek.

Mensen leren door ervaring en oefening. Machine learning is het gebied van kunstmatige intelligentie (AI) dat probeert computers na te bootsen hoe menselijke hersenen leren. Beeldherkenning en -verwerking is een belangrijk onderdeel van het vakgebied. Met behulp van beeldherkenning kunnen ingenieurs objecten classificeren zonder directe menselijke interactie.

Neurale netwerken en machinevisie

In eenvoudige bewoordingen is machine vision in combinatie met algoritmen of neurale netwerken het vermogen van computers om gegevens te zien en ernaar te handelen. Beelden worden in digitaal formaat naar de verwerkingseenheid van de computer gestuurd om ze te analyseren, interpreteren en op basis daarvan te handelen. Voorafgaand aan deze instelling moeten we het systeem eerst trainen om de gegevens te leren.

De neurale netwerken in machinevisie trainen

Neurale netwerken zijn een geavanceerd gebied van machine learning. Ze worden veel gebruikt voor beeldherkenning en andere taken die complexe cognitie vereisen. De eerste stap om een ​​kunstmatig neuraal netwerk te bouwen, is het trainen van de computeralgoritmen met afbeeldingen.

Figuur 2. Een voorbeeld van het trainen van algoritmen met afbeeldingen. Afbeelding gebruikt met dank aan Teledyne DALSA

Mensen hebben de taak om de invoerafbeeldingen te labelen op basis waarvan de algoritmen leren. Het algoritme leert vanzelf de objecten te identificeren nadat het is getraind op een grote gelabelde dataset. Datawetenschappers kunnen de modellen kantelen om de leersnelheid en andere parameters te verbeteren. Een compleet model met consistente nauwkeurigheid kan worden ingezet voor commerciële toepassingen.

Maar waar halen we de gegevens vandaan om het model te trainen?

Gegevensbronnen voor machinevisie

Machine vision in combinatie met neurale netwerken is complexer dan alleen het identificeren van afbeeldingen. Het is ook ruimtelijke cognitie om 3D (driedimensionale) objecten te herkennen. De bron voor machine vision-programma's kan foto's, video of zelfs live camerabeelden zijn. In dergelijke gevallen verzamelt een camera de afbeeldingen of video die naar het algoritme worden gestuurd.

Er zijn algoritmen voor machinevisie die andere vormen van invoer aannemen. Radar en LiDAR kunnen de objecten rond de sensor volgen. De output van dergelijke apparatuur zijn geen afbeeldingen, maar coördinaten van de verschillende objecten eromheen. Machine vision-algoritmen kunnen deze informatie ook verwerken om ruimtelijk inzicht te krijgen. Een combinatie van LiDAR-gegevens en beelden van een camera kan ook worden gebruikt als invoer voor een machine vision-algoritme.

Machine vision kent een breed scala aan industriële en niet-industriële toepassingen. De toepassingen variëren van identificatie en navigatie tot het geven van zicht aan blinden.

Machinevisie in de industrie

Machine vision of computer vision kent tal van toepassingen in de industrie. Omdat het zich nog in een beginstadium bevindt, worden elke dag meer industriële toepassingen geïdentificeerd.

Figuur 3. Een machine vision-systeem dat objecten in een fabriek inspecteert.

Enkele van de bekende toepassingen zijn:

• Producten sorteren
• Producten kiezen
• Geautomatiseerde inspectie
• Optische tekenherkenning
• Defecten identificeren
• Kleuren identificeren
• Bewegingsdetectie
• Patronen identificeren
• Kwaliteitsborging
• Begeleide beweging (automatisch geleide voertuigen of AGV's)
• Zelfrijdende auto's
• Barcodes en QR-codes lezen
• Donkere fabrieken

Naarmate het gebruik van machine vision toeneemt, dalen de kosten van het implementeren van dergelijke oplossingen en worden nieuwe toepassingen geïdentificeerd. Machine vision kan bijvoorbeeld worden gebruikt in combinatie met IIoT.

Beveiliging

Menselijke veiligheid wordt gebruikt om de terreinen van verschillende instellingen te patrouilleren. Een veelvoorkomend probleem is echter de vermoeidheid die dergelijk personeel ervaart bij het uitvoeren van taken op oneven uren. Machine vision met IIoT kan helpen.

Gesloten televisiecircuit (CCTV) van het beveiligde pand kan worden aangesloten met machine vision-algoritmen. Het algoritme zal de feed constant controleren op afwijkende activiteiten. Zodra indringers of andere afwijkende activiteiten worden gedetecteerd, kan het systeem een ​​alarm activeren dat menselijke bewakers kunnen controleren.

Het kan ook automatisch beveiligingsprotocollen uitvoeren, zoals het onder spanning zetten van het hek, het plaatsen van spikes bij uitgangen, het waarschuwen van de politie, enz. Alle communicatie zal plaatsvinden via het netwerk tussen apparaten met internettoegang om elk protocol uit te voeren.

Chemische fabriek

Chemische fabrieken zijn gevaarlijk voor menselijke werknemers om in te werken. Het zou goed zijn als de processen geautomatiseerd kunnen worden. Neem bijvoorbeeld een proces in een chemische fabriek waarbij het materiaal aan de kook moet komen voordat het vuur wordt uitgeschakeld. Zonder machinevisie moet een menselijke technicus wachten en het proces observeren.

Figuur 4. Een ontluchtingsschacht en ketel van een chemische fabriek.

Met machine vision kan een camera zich op de oplossing concentreren en een neuraal netwerk dat getraind is om steenpuisten te detecteren, kan detecteren of het mengsel begint te koken. Zodra het algoritme kook in de oplossing detecteert, kan het een vlag activeren. Dit wordt via het netwerk naar het centrale computersysteem gestuurd. Het systeem is zo ontworpen dat de ontvangst van dit signaal het mechanisme activeert om de verwarming uit te schakelen.

In een dergelijk scenario hoeft er geen mens in de fabriek te zijn die de chemische dampen inademt om het proces te volgen. Machine vision en IIoT kunnen het volledige proces automatiseren. In dit specifieke voorbeeld kunnen infrarood- of andere temperatuurdetectiesensoren ook worden gebruikt om een ​​kokend mengsel te detecteren.

Donkere Fabrieken

Donkere fabrieken, als concept, zijn de uitbreiding van het optimaal benutten van machine vision, automatisering en IIoT-mogelijkheden. Een donkere fabriek is een productiefaciliteit waar geen menselijke operator nodig is om de fabrieksactiviteiten uit te voeren of te controleren. In wezen hoeft de fabriek geen verlichting te hebben en kan daarom in het donker werken.

Van de levering van grondstoffen tot het verpakken, het eindproduct wordt volledig geautomatiseerd. Grondstoffen worden geplukt en gesorteerd met vorkheftrucks en robotarmen, ondersteund met machinevisie. Robothanden die verschillende onderdelen assembleren, gebruiken machinevisie om te bepalen waar elk onderdeel naartoe gaat. AGV's, die machine vision gebruiken om te navigeren, zorgen voor het transport van materialen binnen de fabriek.

Afgewerkte producten worden geïnspecteerd en getest met robots in combinatie met machine vision-mogelijkheden. Het sorteren van defecte producten en het verpakken van afgewerkte producten maakt ook gebruik van machinevisie.

Toepassingen zoals donkere fabrieken en chemische processen, om er maar een paar te noemen, kunnen profiteren van machinevisie. De algoritmen kunnen personeel veilig houden, processen veilig houden en de efficiëntie verbeteren. Voor welke soorten toepassingen gebruikt u machine vision op uw werkvloer?