Door: Redactie - 15 december 2023 |
Artificial Intelligence (AI) neemt een steeds prominentere plaats in binnen industriële automatisering en kwaliteitsborging van productieprocessen. Het lijkt soms alsof AI de oplossing biedt voor bijna elke denkbare taak binnen de consumententechnologie. Bij nieuwe apparaten of software verwacht men tegenwoordig dat AI tenminste gedeeltelijk is geïntegreerd. Ondanks een bepaalde mate van hype, gedreven door de veelbelovende mogelijkheden en resultaten, is het duidelijk dat AI niet slechts een voorbijgaande trend is. De capaciteit van AI om complexe taken met hoge precisie te beheersen, maakt het uitermate waardevol voor ondernemingen. De voortdurende ontwikkeling, aangejaagd door onderzoeksinvesteringen en financieringsprogramma’s, zorgt ervoor dat AI naar verwachting onmisbaar zal worden. Dit geldt ook voor Vision AI.
Machine learning specifiek ontsluit geheel nieuwe mogelijkheden die conventionele, regelgebaseerde beeldverwerking niet kan bieden. Desalniettemin moeten we de technologie realistisch en kritisch te beoordelen, om de werkelijke toepassingen en beperkingen ervan te doorgronden. Het is evident dat AI een blijvende impact zal hebben, met een vermogen om in vele toepassingsgebieden complexe taken nauwkeurig uit te voeren.
In industriële toepassingen vertrouwt AI-gebaseerde beeldverwerking voornamelijk op methoden van machine learning. Deze methoden stellen computerprogramma’s in staat om uit ervaring te leren en automatisch patronen en inzichten uit data te halen, zonder expliciete programmering. Dit gebeurt door algoritmen en modellen aan te passen op basis van data voor voorspelling, patroonherkenning en besluitvorming.
AI-methoden tonen hun kracht vooral in beeldgegevens met sterk variabele inhoud. Zij herkennen patronen en kenmerken die moeilijk te definiëren zouden zijn als een terugkerende vorm, kleur of positie met regelgebaseerde beeldverwerking. De voor herkenning relevante objectkenmerken worden echter niet meer gespecificeerd door een vooraf gedefinieerde programmareeks. Neurale netwerken worden in een leerfase getraind om deze te associëren met labels door herhaaldelijk te ‘zien’. Dit vereist vaak een groot aantal voorbeeldafbeeldingen van de leerinhoud. Hoe gevarieerder deze zijn, hoe stabieler de machine learning algoritmen in de reguliere werking zijn bij het herkennen van hun relevante kenmerken, zelfs in onbekende omgevingen.
Bij regelgebaseerde beeldverwerkingsalgoritmen zijn deze doorgaans specifiek ontworpen voor één bepaalde toepassing en lastig over te zetten naar nieuwe taken. Daarentegen kun je AI-modellen via ‘transfer learning’ trainen op één taak en ze vervolgens overzetten naar gerelateerde taken zonder ze volledig opnieuw te moeten trainen. Dit vergemakkelijkt het hergebruik van modellen en versnelt de ontwikkeling van nieuwe toepassingen voor machine vision.
De kwaliteit van de resultaten is niet meer afhankelijk van handmatig ontwikkelde programmacode door een beeldverwerkingsdeskundige, maar het leerproces met geschikte steekproefgegevens bepaalt deze. Dit proces vereist een diepgaand begrip van de toegepaste toepassing. Domeinexperts, die het meest bekend zijn met de producten en hun specifieke eigenschappen, kunnen met de juiste Vision AI-tools haalbaarheidsstudies zelf uitvoeren. Zo zijn bedrijven tijdens de beoordelingsfase minder afhankelijk van programmeurs en beeldverwerkingsexperts.
AI-systemen kunnen beelden classificeren in verschillende categorieën. Dat is zeer nuttig in toepassingen zoals beeldherkenning of de identificatie en classificatie van producten. Daarnaast automatiseert AI-gebaseerde beeldverwerking veel taken die mensen voorheen handmatig uitvoerden. Voorbeelden hiervan zijn het identificeren van defecten of het sorteren van objecten op transportbanden. Vooral het vermogen om complexe patronen en structuren in beelden te identificeren, zelfs als deze moeilijk met het menselijk oog te zien zijn, maakt het een belangrijk instrument in kwaliteitsborging. Over het algemeen leidt de integratie van AI-gebaseerde beeldverwerking in deze industrieën tot een verbetering in efficiëntie, kwaliteit, veiligheid en kosteneffectiviteit.
Je kunt anomaliedetectiemethoden bijzonder effectief trainen om defecte producten of componenten te identificeren, door onregelmatigheden, scheuren, afwijkingen of andere defecten in beelden op te sporen. Dit maakt onmiddellijke detectie van defecten en het sorteren van defecte producten mogelijk. Vroege herkenning van kwaliteitsproblemen en het onmiddellijk uitsorteren van defecte producten vermindert afval, wat kosten bespaart en de productiviteit verhoogt. De anomalie-methode detecteert zowel bekende als onbekende afwijkingen, zoals slijtagepatronen. Hierdoor dient Vision AI ideaal voor het voorspellen van onderhoudsbehoeften in machines en apparatuur. Het identificeren van potentiële problemen bevordert predictief onderhoud en minimaliseert zo ongeplande stilstand.
AI-gebaseerde methoden hanteren een totaal andere aanpak, waardoor fabrikanten zoals IDS nieuwe en intuïtieve ontwikkeltools voor beeldverwerking kunnen ontwikkelen. Hiermee kunnen menselijke kwaliteitseisen al overgebracht worden op beeldverwerkingssystemen. Zeer complexe ontwikkeling van embedded systemen, die tot nu toe specifieke expertise vereiste, profiteert hier aanzienlijk van. Het IDS NXT AI-camerasysteem illustreert hoe eenvoudig vision-processen ontwikkeld en in werking gesteld kunnen worden op een klein, PC-onafhankelijk systeem. Het feit dat een groot deel van het ontwikkel- en evaluatieproces via een eenvoudige en intuïtieve cloudservice kan plaatsvinden, zonder gespecialiseerde ervaring in AI, applicatieprogrammering of beeldverwerking, brengt embedded vision binnen het bereik van geheel nieuwe doelgroepen.
AI-gebaseerde algoritmes laten zich goed parallel uitvoeren en versnellen met passende hardware voor de verwerking van grote datahoeveelheden in realtime. Dit gebeurd niet alleen door krachtige GPU’s in grote datacentra. Dankzij de komst van speciale NPU’s voeren kleine embedded vision-apparaten Vision AI nu ook zeer energie-efficiënt uit. Dit maakt een schaalbaar gebruik van de technologie mogelijk, afhankelijk van de toepassingsvereisten op verschillende hardwareplatforms.
Met de mogelijkheid om productieprocessen te monitoren en te richten, kunnen bedrijven hulpbronnen zoals water, grondstoffen en energie veel efficiënter gebruiken. Dit helpt om afval en schroot te verminderen, wat op zijn beurt middelen en energie bespaart. Door het verbeteren van de efficiëntie, kwaliteit en duurzaamheid van productieprocessen, kunnen AI-gedreven industriële camera’s helpen de milieu-impact van de industrie te minimaliseren en tegelijkertijd de economische winstgevendheid te vergroten.
Het is moeilijk te zeggen wat de grenzen van een technologie zijn. Vooral zolang deze zich nog zo sterk ontwikkelt en ervaring ontbreekt. De grenzen van AI-gebaseerde beeldverwerking worden bijvoorbeeld zichtbaar wanneer de gewenste resultaten niet worden behaald. Dit ligt niet noodzakelijkerwijs aan technologische redenen, maar is meestal te wijten aan een gebrek aan ervaring met AI-methoden. De grootste inspanning en tegelijkertijd het grootste potentieel voor fouten in vergelijking met regelgebaseerde methoden ligt in het verschaffen van voldoende goede en geschikte steekproefgegevens voor het leerproces. Slechte kwaliteit input leidt tot slechte output. Een AI-systeem is afhankelijk van data waarmee het ‘correct gedrag’ kan leren. Als een Vision AI wordt opgebouwd onder laboratoriumomstandigheden met data die niet representatief is voor latere toepassingen, of erger nog, als de patronen in de data vooroordelen weerspiegelen, zal het systeem deze vooroordelen overnemen en bevooroordeelde beslissingen nemen tijdens de inferentie.
Men moet beseffen dat AI geen magie is, en (nog) niet zo intelligent is dat het kan anticiperen op wat we ervan verwachten. AI-gebaseerde beeldverwerking is een krachtig hulpmiddel als het correct wordt gebruikt. Om dit te doen, is het opnieuw belangrijk om precies te verduidelijken wat de taak van een machine vision-systeem moet zijn. Hoe duidelijker de vraag naar een bepaald resultaat wordt gesteld, des te preciezer kan de passende leerstof worden voorbereid voor het trainingsproces. De uitdaging ligt verder in het toeschrijven van ongewenste resultaten aan het leerproces. Dat wil zeggen aan de overdracht van kennis, in plaats van te proberen het besluitvormingsproces precies te sturen, zoals nodig was in het regelgebaseerde systeem. Inference, wat velen een zwarte doos noemen, is slechts de som van de juiste inputdata. Hoe beter je het systeem traint, hoe waarschijnlijker het verwachte resultaat. Hiervoor is enig nieuw denken noodzakelijk.
Er is geen enkele beste technologie die geschikt is voor alle toepassingstaken. Het is belangrijk om een gedetailleerde analyse uit te voeren om te bepalen welke aanpak het meest geschikt is voor de gegeven omstandigheden. In sommige gevallen kunnen regelgebaseerde benaderingen nog steeds effectief en efficiënt zijn. Aan de andere kant is het vermogen van machine learning om complexe taken met hoge precisie te hanteren uiterst waardevol. Het is echter niet in alle opzichten beter, en het zal ook niet de regelgebaseerde beeldverwerking vervangen! Om de beste resultaten te bereiken, is het daarom vaak zinvol om meerdere benaderingen te combineren. Degenen die AI succesvol willen gebruiken, moeten bereid zijn te experimenteren en open te staan voor nieuwe ideeën en benaderingen. Anders denken zal op de lange termijn lonen in een ‘return on investment’.
Bron en meer informatie bij IDS
Dit artikel delen op je eigen website? Geen probleem, dat mag. Meer informatie.
IndustrieVandaag is een onafhankelijk platform met het laatste nieuws van vandaag over de procesindustrie, industrial processing, productie industrie, maakindustrie en elektronica industrie.
Neem contact met ons op:
Tel +31 (0)23 737 07 63
Email via contactpagina
