Machinevision integreren met neurale netwerken voor geavanceerde Industrial IoT

De cerebrale cortex is het deel van de brein dat beelden verwerkt. Mensen hebben de grootste cerebrale cortex vergeleken met andere zoogdieren. Dit superieure gezichtsvermogen is een van de evolutionaire eigenschappen die mensen een voorsprong gaf over andere dieren. Evolutionaire biologen proberen het mysterie achter deze eigenschap te ontrafelen, en technologie-onderzoekers proberen het na te bootsen.

Mensen leren door ervaring en oefening. Machine learning is het vakgebied van kunstmatige intelligentie (AI) dat probeert computers na te bootsen hoe menselijke breinen leren. Beeldherkenning en -verwerking is een belangrijk subgedeelte van dit veld. Met beeldherkenning kunnen ingenieurs objecten classificeren zonder directe menselijke tussenkomst.

Neurale netwerken en machinevision

In eenvoudige termen is machinevision in combinatie met algoritmes of neurale netwerken de capaciteit voor computers om te zien en te handelen op basis van data. Beelden worden in digitaal formaat aan de verwerkingseenheid van de computer gevoerd om te analyseren, interpreteren en erop te handelen. Voordat deze opzet mogelijk is, moeten we het systeem eerst trainen om de data te leren.

Neurale netwerken in machinevision trainen

Neurale netwerken zijn een geavanceerd gebied van machine learning. Ze worden breed 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 computeralgoritmes met beelden.

Mens worden belast met het labelen van de invoerbeelden, waarna de algoritmes zichzelf leren de objecten te identificeren na training op een grote gelabelde dataset. Datacientisten kunnen de modellen afstellen om de leersnelheid en andere parameters te verbeteren. Een compleet model met consistente nauwkeurigheid kan worden uitgezet voor commerciële toepassingen.

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

Databronnen voor machinevision

Machinevision gekoppeld aan neurale netwerken is complexer dan alleen beelden identificeren. Het is ook ruimtelijke cognitie om 3D-objecten te herkennen. De bron voor machinevision-programma's kunnen foto's, video of zelfs live camerafeeds zijn. In dergelijke gevallen verzamelt een camera de beelden of video die aan het algoritme worden gevoerd.

Er zijn machinevision-algoritmes die andere invoervormen aanvaarden. Radar en LiDAR kunnen objecten rondom de sensor volgen. De output van dergelijke apparatuur zijn geen beelden, maar coördinaten van de verschillende objecten eromheen. Machinevision-algoritmes kunnen deze informatie ook verwerken om ruimtelijk inzicht te krijgen. Een combinatie van LiDAR-data en beelden van een camera kan ook als invoer voor een machinevision-algoritme dienen.

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

Machinevision in de industrie

Machinevision of computervision heeft talloze toepassingen in de industrie. Aangezien het nog in de kinderschoenen staat, worden er elke dag meer industriële toepassingen geïdentificeerd.

Bekende toepassingen omvatten:

• Producten sorteren
• Producten picken
• Geautomatiseerde inspectie
• Optische karaktherkenning (OCR)
• Defecten identificeren
• Kleuren identificeren
• Bewegingsdetectie
• Patronen herkennen
• Kwaliteitsborging
• Gestuurde beweging (autonome geleide voertuigen, AGV's)
• Zelfrijdende auto's
• Barcodes en QR-codes lezen
• Donkere fabrieken

Naarmate het gebruik van machinevision toeneemt, daalt de kosten van implementatie en worden er nieuwe toepassingen ontdekt. Zo kan machinevision worden gebruikt in combinatie met IIoT.

Beveiliging

Mensen worden ingezet voor bewaking van terreinen van diverse instellingen. Een veelvoorkomend probleem is de vermoeidheid die dergelijke personen ervaren tijdens diensten in oneven uren. Machinevision met IIoT kan helpen.

Gesloten televisiesystemen (CCTV) van de beveiligde locaties kunnen gekoppeld worden aan machinevision-algoritmes. Het algoritme monitoren de feed constant op afwijkende activiteiten. Zodra indringers of andere afwijkende activiteiten worden gedetecteerd, kan het systeem een alarm activeren voor bewakers om te controleren.

Het kan ook automatisch beveiligingsprotocollen uitvoeren zoals het elektrificeren van de heining, het uitklappen van spijken bij uitgangen, de politie waarschuwen, etc. Alle communicatie gebeurt via het netwerk tussen internet-ingeschakelde apparaten om elk protocol uit te voeren.

Chemische fabriek

Chemische fabrieken zijn gevaarlijk voor werknemers. Het zou voordelig zijn als processen geautomatiseerd kunnen worden. Neem een proces in een chemische fabriek dat vereist dat het materiaal tot koken komt voordat de warmte wordt uitgezet. Zonder machinevision moet een menselijke technicus wachten en het proces observeren.

Met machinevision kan een camera zich richten op de oplossing, en een neuraal netwerk getraind om koken te detecteren, kan vaststellen of het mengsel is begonnen te koken. Zodra het algoritme koken detecteert, activeert het een vlag. Dit wordt naar het centrale computesysteem gestuurd via het netwerk. Het systeem is zo ontworpen dat ontvangst van dit signaal het mechanisme activeert om de warmte uit te zetten.

In zo'n scenario hoeft geen mens in de fabriek te zijn om adem te halen van chemische rook om het proces te monitoren. Machinevision en IIoT kunnen het complete proces automatiseren. In dit voorbeeld kunnen ook infrarood of andere temperatuursensoren worden gebruikt om een kokend mengsel te detecteren.

Donkere fabrieken

Donkere fabrieken, als concept, zijn de uitbreiding van het maximaal benutten van machinevision, automatisering en IIoT-mogelijkheden. Een donkere fabriek is een productiefaciliteit waar geen menselijke operator nodig is om de fabrieksoperaties te draaien of te monitoren. In essentie hoeft de fabriek geen verlichting te hebben en kan in het donker opereren.

Vanaf rauwe materialenlevering tot verpakking van het eindproduct is alles volledig geautomatiseerd. Rauwe materialen worden opgepakt en gesorteerd met vorkheftrucks en robotarmen ondersteund door machinevision. RobotHanden die diverse delen monteren, gebruiken machinevision om te identificeren waar elk deel hoort. AGV's, die machinevision gebruiken om te navigeren, regelen het transport van materialen binnen de fabriek.

Afgewerkte producten worden geïnspecteerd en getest met robots gekoppeld aan machinevision-mogelijkheden. Het sorteren van defecte producten en verpakken van afgeronde producten gebruikt ook machinevision.

Toepassingen zoals donkere fabrieken en chemische processen, om er een paar te noemen, kunnen profiteren van machinevision. De algoritmes kunnen personeel veilig houden, processen veilig maken en de efficiëntie verhogen. Voor welke toepassingen gebruikt u machinevision op uw werkvloer?