AI Benutten Om Industriële Automatisering Te Transformeren

De meest geavanceerde benaderingen voor volledig intelligente robotische systemen

AI (kunstmatige intelligentie) stelt de automatisering van een groeiend aantal bedrijfsprocessen en industriële toepassingen in staat. De omvang en het tempo van slimme automatisering zijn direct afhankelijk van de vooruitgang in AI en hebben daardoor in de afgelopen jaren gigantische sprongen vooruit gemaakt. Gecombineerd met krachtige 3D-machinevisie, stelt AI robots in staat om elk type object te herkennen, te lokaliseren en te hanteren en zo taken te automatiseren die te gevaarlijk, saai of anderszins veeleisend voor mensen zouden zijn.

Maar wat wordt bedoeld met AI in industriële automatisering, hoe werkt het, en welke mogelijkheden opent het voor fabrieken en bedrijven die streven naar moderniteit, innovatie en verhoogde productiviteit? Allereerst, laten we eens kijken naar de allereerste begin van AI en zijn geleidelijke ontwikkeling.

Van de eerste architecturen tot convolutieve neurale netwerken

De term AI kan een aantal machinecapaciteiten en processen vertegenwoordigen — van eenvoudige statistieken door beslissingsbomen tot neurale netwerken, zoals convolutieve neurale netwerken, of zelfs nog geavanceerdere benaderingen zoals reinforcement learning.

De geschiedenis van de ontwikkeling van AI getuigde verschillende benaderingen maar neurale netwerken bleken de meest veelbelovende en interessante dankzij hun vermogen om te generaliseren.

In de jaren '90 en begin 2000, kregen neurale netwerken grote aandacht dankzij de eerste succesvolle toepassingen van tekenherkenning die het lezen van handgeschreven cijfers in bankcheques en postcodes op brieven omvatten. Deze neurale netwerken werden getraind op een zogenaamde MNIST dataset (staand voor Modified National Institute of Standards and Technology), een verzameling handgeschreven cijfers van 0 tot 9 gebruikt in machine learning en machinevisie voor het trainen van beeldverwerkingssystemen. MNIST dataset diende als basis voor het benchmarken van classificatie-algoritmen en wordt vandaag nog gebruikt voor trainings- en testdoeleinden.

Hoewel deze klassieke neurale netwerken in staat zijn om praktisch alles te leren, vertegenwoordigen ze een oude, volledig-verbonden architectuur en kost het trainen ervan veel tijd en moeite. Dit is omdat alle neuronen in één laag volledig verbonden zijn met de neuronen in de volgende laag — wat een enorm aantal parameters om te leren betekent, stijgend met de grootte van een afbeelding. Hoewel de prestaties van computers zich in de loop van de tijd verbeterden, duurt het nog steeds erg lang om zelfs kleine afbeeldingen te herkennen.

Een keerpunt in de ontwikkeling van AI werd gemarkeerd door de introductie van convolutieve neurale netwerken (CNNs). CNNs worden voornamelijk gebruikt voor het analyseren van visuele beelden, inclusief beeldclassificatie of patroonherkenning, en vormen de ruggengraat van veel moderne machinevisiesystemen. Een ander hoofdtoepassingsgebied is natuurlijke taalverwerking.

Een CNN is, heel globaal gesproken, geïnspireerd op het visuele cortex-systeem in de hersenen. Het hoofsidee achter CNNs is niet om alle neuronen met elkaar te verbinden, zoals bij volledig verbonden netwerken, maar alleen met bureneuronen om nabijheid te creëren, aangezien bureninputs, zoals pixels, gerelateerde informatie dragen. Dit betekent dat CNNs verschillende lagen kunnen hebben en neuronen in één laag alleen verbonden zijn met neuronen in de volgende laag die ruimtelijk dicht bij hen zijn. Dit verlaagt de complexiteit, het aantal neuronen in het netwerk, en consequent ook het aantal parameters om te leren. Dankzij dit, zijn CNNs sneller te trainen, hebben ze minder monsters nodig, en kunnen ze ook toegepast worden op grotere afbeeldingen.

De term "convolutief" verwijst naar het filterproces waarmee CNNs patronen detecteren. De individuele lagen convolveren, dat wil zeggen combineren, de input en geven het resultaat door aan de volgende laag.

De vooruitgang in de ontwikkeling van CNNs is ook versneld door de vooruitgang in graphics processing units (GPUs). Hun prestaties en berekeningskracht zijn inmens verbeterd de afgelopen jaren, wat nieuwe mogelijkheden opent voor het trainen van CNNs.

Een van de meest erkende leiders op het gebied van AI, vaak aangeduid als de "Godfather of AI", is Geoffrey Hinton. Hij heeft een graad in experimentele psychologie en kunstmatige intelligentie. Deze combinatie gaf hem grote inzicht in hoe kunstmatige neurale netwerken getraind kunnen worden.

In 2012 markeerde zijn student Alex Krizhevsky een ander keerpunt in AI toen hij een CNN creëerde die in staat was de manier na te bootsen waarop de menselijke hersenen objecten herkennen. De CNN werd genaamd AlexNet en stelde voor het eerst in de geschiedenis een machine in staat objecten te identificeren als een persoon.

Deze doorbraak populariseerde convolutieve neurale netwerken en toonde het enorme bereik aan toepassingen waar CNNs voor gebruikt konden worden.

Een convolutief neuraal netwerk trainen

In objectherkenning is het belangrijk dat een CNN een eigenschap heeft genaamd invariantie. Dit betekent dat het invariant is ten opzichte van translatie, uitzichtpunt, grootte, of verlichting om in staat te zijn invoerpatronen te interpreteren en objecten te classificeren ongeacht waar en hoe ze in een afbeelding geplaatst zijn. Om dit te bereiken, moet CNN getraind worden op een bepaalde hoeveelheid voorbeelden. Een van de beste praktijken om de hoeveelheid relevante data in een dataset te vergroten is data augmentatie.

Augmentatie is de praktijk van het wijzigen van invoerdata, dat wil zeggen de originele afbeelding, om diverse andere, licht gewijzigde versies ervan te genereren. Augmentatietechnieken omvatten horizontale of verticale flipping, rotatie, schaling, croppen, het verplaatsen van de afbeelding langs de X- of Y-richting, en andere.

Het trainen van een CNN op gewijzigde data maakt zijn neuronen immuun voor dergelijke augmentaties en voorkomt dat het irrelevante patronen leert. Een omgekeerde papegaai wordt dus nog steeds herkend als een papegaai.

Wat erg handig is, is zogenaamd transfer learning. Om de hoeveelheid trainingsdata te elimineren, kan men een bestaand en al getraind netwerk gebruiken en een paar van zijn filters toepassen voor de herkenning van nieuwe soorten objecten. Bijvoorbeeld, een netwerk getraind voor de herkenning van honden kan ook gebruikt worden voor de herkenning van katten door een paar van zijn filters te behouden en slechts een bepaald deel ervan te wijzigen. Dit betekent dat het netwerk zich zal aanpassen aan de herkenning van katten.

Voordelen van modulair convolutieve neurale netwerken

De grote waarde van CNNs ligt in hun architectuur en het feit dat de individuele modules naar enkele afbeeldingsblokken kijken. De modules hoeven niet gelijktijdig getraind te worden en kunnen gemakkelijk samengevoegd worden. Het combineren van deze goed getrainde modules gaf aanleiding tot complexe architecturen die gebruikt kunnen worden voor segmentatie.

In tegenstelling tot de AlexNet, die alleen kan herkennen wat er in de afbeelding zit, kunnen deze complexe CNNs objectsegmentatie doen en de locatie van het object in de afbeelding definiëren.

Deze modulariteit stelt een in staat om diverse invoerkanalen te gebruiken, wat betekent dat als de CNN gebruikt werd voor zwart-wit data, het ook voor kleurendata gebruikt kan worden, en als het voor kleurendata gebruikt werd, kan het uitgebreid worden met diepte-informatie. Het toevoegen van extra informatie verhoogt de prestaties van de CNN, wat onder andere verhoogde nauwkeurigheid en betere herkenning van objecten en hun posities omvat.

Van objectherkenning tot slimme automatiseringsoplossingen

Gebaseerd op de bovengenoemde kenmerken en eigenschappen van convolutieve neurale netwerken, nam Photoneo CNNs als basis voor zijn geavanceerde robotische intelligentiesystemen en automatiseringsoplossingen.

Photoneo's CNN werkt met zwart-wit data, kleurendata, alsook diepte-informatie. De algoritmen zijn getraind op een grote dataset van objecten en als ze nieuwe typen items tegenkomen, kunnen ze snel generaliseren, dat wil zeggen, herkennen en classificeren van objecten die het niet "gezien" heeft eerder. 

Laten we het concept van een doos nemen, bijvoorbeeld. De algoritmen werden getraind op een grote dataset van dozen dus ze begrijpen dat een doos een bepaald aantal vlakken, ribben en hoekpunten heeft. Dit principe zal ook werken voor dozen waar de algoritmen nog nooit eerder tegen zijn gekomen, zelfs ingedrukte of beschadigde. De grootste waarde van AI ligt in het feit dat het concepten kan generaliseren waar het op getraind is zonder verdere her training.

Dit stelt Photoneo systemen in staat om items van diverse vormen, maten, kleuren of materialen te herkennen — een robotische capaciteit gebruikt voor de lokalisatie en handling van gemengde objecten, inclusief organische items zoals fruit of vis, sortering van pakketten, lossen van pallets beladen met dozen, en veel andere industriële toepassingen. 

Het kan ook gebeuren dat de algoritmen objecten tegenkomen met kenmerken die fundamenteel anders zijn van degene waarop de algoritmen getraind zijn. Dit kan de CNN verwarren en een daling in de prestaties veroorzaken. Wat er gedaan kan worden om dit probleem op te lossen is ofwel het voorkomen ervan door exotische objecten te verwachten of een goed her trainingssysteem te hebben. In het laatste geval zal de prestaties tijdelijk lager zijn maar de CNN zal hergetraind worden om snel volledige prestaties te bereiken.

In het geval een klant ongewone items of niet-commerciële producten zoals industriële componenten moet pikken, kan de CNN getraind worden op een specifieke dataset met deze exotische items.

Wanneer het gaat om de realisatie van een klantproject, ontvangt de klant Photoneo's CNN voor pilottesten en een haalbaarheidsstudie om te garanderen dat het netwerk gebruikt kan worden voor die specifieke toepassing. Deze CNN kan dan verbeterd en verder getraind worden op beelden uit de pilotfase van het project, wat meer variabiliteit zal bieden.

De grootste uitdaging in AI-gestuurde objectherkenning en pikken

De grootste uitdaging zou ook beschreven kunnen worden als de laatste puzzelstuk die ontbrak in het bereik van opikbare objecten. Dit laatste stuk was tassen. 

De moeilijkheid ligt in de aard van tassen aangezien ze extreem vervormbaar en vol rimpels, vouwen en andere onregelmatigheden zijn. Ondanks de uitdagingen die tassen aan AI stellen, heeft Photoneo een systeem ontwikkeld dat in staat is tassen te herkennen en op te pikken, of ze nu vol, half-leeg, gekleurd, transparant of semi-transparant zijn. Deze taak is vaak uitdagend zelfs voor het menselijke oog, wat het moeilijk kan vinden om grenzen te herkennen tussen tassen die chaotisch in een container liggen, vooral als ze transparant zijn.

Echter, goede herkenning en lokalisatie van tassen is slechts een deel van de voorwaarde voor succesvol objectpikken. Het andere deel betreft de mechanische kant van een toepassing — de robotgripper. Het feit dat tassen vol vouwen en rimpels zijn verhoogt het risico dat ze van de gripper vallen. Dit risico kan voorkomen worden door een geschikte vacuümgripper met feedback te gebruiken.

Toekomstige ontwikkelingen van AI

Ondanks significante vooruitgang die in AI de afgelopen jaren is gemaakt, biedt het veld nog steeds een enorme ruimte voor nieuwe prestaties. Bijvoorbeeld, zogenaamde reinforcement learning krijgt grote aandacht omdat het erg veelbelovend lijkt in het suggereren van complexe bewegingen, bijvoorbeeld het toestaan aan een robot de positie van een item aan te passen voordat het het grijpt. 

Reinforcement learning is niet alleen in staat om te gaan met objectherkenning maar ook met mechanische problemen van een toepassing. Dit betekent dat het niet alleen een systeem in staat stelt om items te herkennen maar ook de individuele stappen van een robotactie te beoordelen op basis van beloningen en straffen en de "kans op succes of mislukking te berekenen". Met andere woorden, AI-algoritmen worden getraind om een reeks beslissingen te nemen die leiden tot acties die de totale beloning maximaliseren. Een voorbeeld van de kracht van reinforcement learning is het meesteren en winnen van het bordspel Go.

Ondanks zijn immense potentieel, is reinforcement learning nauw verbonden met de omgeving waarin het geplaatst is en de beperkingen die het kan opleggen. Bijvoorbeeld, de ingezette gripper en haar functionaliteiten en beperkingen zullen altijd de algehele prestaties van een systeem beïnvloeden.

AI is de hoofddriver van opkomende technologieën en de ontwikkelingen ervan zullen zeer afhankelijk zijn van een aantal factoren, waaronder marktvraag, klantverwachtingen, concurrentie, en velen anderen.