Vom Input bis zum Output:
Maschinelles Sehen erklärt

Es scheint sehr einfach zu sein: ein Roboter bewegt unsortierte Teile auf eine andere Palette. Eine Kamera registriert die unterschiedlichen Teile und eine clevere Software entscheidet, was mit diesen Teilen gemacht werden soll.

So kann man Maschinelles Sehen in aller Kürze erklären. Jedoch muss eine große Datenmenge analysiert und verarbeitet werden, bevor der Roboter in Bewegung gesetzt werden kann. Das Prinzip des Maschinellen Sehens kann in vier Grundschritte unterteilt werden:

  • Sammeln der benötigten Informationen, z.B. Bilder
  • Verarbeitung der Bildinformationen
  • Analyse der Informationen und
  • Übermittlung der nächsten Schritte an die Maschine oder Software

1. Sammeln der benötigten Informationen

Die Wahl der richtigen Kamera ist der erste wichtige Schritt um Bilder so aufzunehmen, dass die Fotos als Input für die Maschine verwendet werden können. Hierbei muss es sich um eine qualitativ hochwertige Kamera handeln, denn mit einer geringen Auflösung können Probleme auftreten, wie Reflektionen auf der Metalloberfläche, Schatten, Lichteinfall oder Bewegungsunschärfe.

Die Kamera easyEye® bewältigt all diese Probleme durch den Einsatz eines 10x optischen Zooms und einer großen Bewegungsfreiheit von 270° im Azimutalbereich und einem Höhenwinkel bis 150°. Alle Bilder werden in hoher Geschwindigkeit aufgenommen und in hoher Auflösung gespeichert.

2. Verarbeitung der Bildinformationen

Im zweiten Schritt müssen die benötigten Informationen im Bild erkannt werden. Ein System für Maschinelles Sehen muss in der Lage sein, die richtige Position, Größe, Form und Erreichbarkeit des Objektes auf der Palette aus der Bildinformation zu entnehmen. Im Allgemeinen würde ein Roboter aufhören zu arbeiten, wenn sich einer dieser Faktoren ändern würde.

Wird jedoch die von Teqram entwickelte Technik eingesetzt, ist der Roboter in der Lage, Metallteile durch Bin Picking zu sortieren. Der Roboter setzt seine Arbeit auch bei veränderten Produktgrößen und veränderter Umgebung fort. Diese Entwicklung schreitet im Moment sehr schnell voran und die Herausforderung liegt aktuell in der Anwendung von künstlicher Intelligenz (AI) und Deeplearning Technologien im Bereich der Industrie.

PalettisierungUmladen von Teilen auf eine andere Palette

3. Analyse der verarbeiteten Bilddaten

Wenn die richtigen Produkte identifiziert wurden, liegt der nächste Schritt in der Analyse der gesammelten Daten. Kann dieses Teil angehoben werden? Wie viel Kraft wird dafür benötigt? Kann das Teil gestapelt werden? Erfüllt das Werkstück auch die geforderten Anforderungen? Um solche Fragen zu beantworten verlassen wir uns auf unsere intelligente Software mit Deeplearning Algorithmen: Unser easyFlexibleFramework. Diese Software ist beispielsweise in der Lage, identifizierte Produkte mit CAD / CAM – Modellen in Echtzeit zu vergleichen, Produktvariationen zu erkennen und zu bestätigen, dass es sich bei diesem Produkt um das gewünschte Teil handelt.

4. Übermittlung von Daten an die Maschine

Nach der Datenanalyse müssen im nächsten Schritt Anweisungen an eine externe Software oder einen Roboterarm übermittelt werden. In den meisten Fällen müssen Objekte von einem Ort an einen anderen Ort bewegt werden, beispielsweise von einer Palette auf einen Maschinentisch und umgekehrt. Eine wichtige Entwicklung ist hierbei die Optimierung der Bearbeitungszeit. Ein Roboter mit Machine Vision muss in der Lage sein, die gleiche Aufgabe endlos und so schnell wie möglich zu wiederholen. Ein Roboterarm, der mit unserem easyEye® und der easyFF Software ausgestattet ist, kann durch Deeplearning und eigenständiges Weiterlernen solche Aufgaben selbständig , schneller und immer effizienter durchführen.

Scannen von ProduktenScannen von Produkten auf einer Palette