Neuronale Netze können auf eine Vielzahl von Objekten und Materialien angewendet werden, zum Beispiel Metall, Glas, Kunststoff, Beton, Keramik oder Holz. Beschränkungen in Größe und Dimension sind nicht vom Deep-Learning-Ansatz selbst abhängig, sondern von der eingesetzten Aufnahmetechnologie.

Neuralyze eignet sich aber in erster Linie für die Qualitätsprüfung von Objekten mit variabler Größe, Form, Struktur und variablem Hintergrund. In diesem Bereich stößt die klassische Bildverarbeitung an ihre Grenzen.

Die Grundlage für unsere Deep-Learning-Software bilden Daten, die durch maschinelles Lernen Gesetzmäßigkeiten erkennen. Dieser Trainingsvorgang dient dazu, aus später gewonnenen Daten Informationen abzuleiten.

Ein Ausschlusskriterium ist daher die mangelnde Verfügbarkeit und Anwendbarkeit von Bilddaten – ohne Daten kein KI-System.

Bei einer zu geringen Anzahl an Trainingsdaten, in denen nicht alle Eigenschaften linear unabhängig repräsentiert sind, könnte der Lernalgorithmus falsche Schlüsse ableiten. Deshalb muss sichergestellt sein, dass ein ausreichender Umfang an Trainingsdaten verfügbar ist.

Neuralyze ist eine maßgebliche Komponente, die senswork im Rahmen eigener Applikationen einsetzt. Das gibt senswork die Möglichkeit, ein maßgeschneidertes System zu entwickeln, das zu 100 Prozent auf die Daten und Rahmenbedingungen des konkreten Anwendungsfalls zugeschnitten ist.

Die Software lässt sich äußert einfach und intuitiv in bestehende Fertigungsprozesse integrieren. Wenn ausreichend geeignete Bilddaten verfügbar sind, ist die Anlernphase auf die spezifische Anwendung in wenigen Tagen realisierbar. Muss zunächst ein geeignetes Bildverarbeitungssystem konzipiert werden, erhöht sich der Aufwand.

Soll Neuralyze in einen Prozess eingeführt werden, gestaltet sich der Ablauf wie folgt:

• Erstellen von Aufnahmen beschädigter und intakter Bauteile
• Festlegen von Fehlerkategorien
• Klassifikation und Labeln der Bilddaten
• Anpassung der Auflösungen
• Data Augmentation zur Erhöhung der Datenmenge
• Training eines Neuronalen Netzes zur Fehlererkennung
• Validierung der Klassifikationsgüte anhand im Training nicht verwendeter Bauteilaufnahmen
• Integration des Neuronalen Netzes
• Einbindung des Systems in den laufenden Produktionsprozess
• Schulung des Personals.

In Zukunft soll die Software-Bibliothek auch als Stand-Alone-Lösung zur Verfügung stehen.

Das Resultat ist abhängig vom verwendeten Algorithmus oder neuronalen Netz. Grundsätzlich versuchen wir immer, die Daten in einem Format zurückzugeben, die eine maximal einfache Weiterverarbeitung mit Bildverarbeitungswerkzeugen ermöglichen (Binärbilder oder Polygone). Die Auflösung der Daten entspricht der des Kamerasystems.

Die Verarbeitungsgeschwindigkeit hängt von sehr vielen Faktoren ab, darunter der Netztopologie, der Bildgröße, der mittleren Fehlerzahl und der Rechenleistung des Prozessrechners. Zudem werden vorher und nachher häufig noch weitere Funktionen aufgerufen, ein Prüfdurchlauf ist also nicht äquivalent mit der Inferenzzeit. Daher können Aussagen hier nur individuell getroffen werden.

Der Zeitbedarf ist aktuell oft etwas höher als bei klassischen Bildverarbeitungsaufgaben und eine Inferenz in klassischen Anwendungsfeldern kann mit Bilddaten aus durchschnittlicher Bildverarbeitungshardware im Bereich von 50 ms bis mehrere Sekunden liegen. Dabei darf aber nicht vergessen werden, dass die Komplexität der Lösung meist um ein Vielfaches höher ist.