Selbstfahrende Autos, Gesichtserkennung, automatisiertes Übersetzen - Methoden der Künstlichen Intelligenz (KI) werden immer mehr zu einem Teil unseres Alltags. Insbesondere die Variante Deep Learning erschließt eine neue Dimension des maschinellen Lernens. Das uns Menschen natürlich erscheinende Lernen anhand von Beispielen wird dabei durch künstliche, aus vielen Lagen aufgebaute neuronale Netze auch für Computer und Roboter zur Realität. Dies eröffnet neue Anwendungsbereiche der optischen Inspektion in der Fertigungstechnik. KI-Methoden sind immer dann eine Option, wenn es nicht um geometrisch definierbare Aufgaben geht, sondern um variable Muster und Formen mit vielfältigen Varianten und Ausprägungen, wenn Trends erkannt und intelligente Vorhersagen sowie Entscheidungen getroffen werden müssen.

Einige typische industrielle Anwendungsbereiche von KI-Systemen sind:

• Mustererkennung: Bei der Identifizierung und Lokalisierung von Objekten in komplexen Szenen stoßen die klassischen, kantenbasierten Verfahren an ihre Grenzen, wenn die Objekte hinsichtlich Größe, Farbe, Orientierung, Varianten und Deformationen eine große Bandbreite aufweisen. In der Lernphase werden einige Beispielobjekte aufgenommen, in der Produktionsphase werden passende Objekte schnell und sicher erkannt und lokalisiert.
• Klassifikation: Oft müssen ähnliche Objekte unterschieden und in verschiedene Klassen eingeteilt werden. Hier ist Deep Learning den nach festen Regeln arbeitenden Systemen weit überlegen. Ein großer Vorteil ist, dass bei der Konfiguration auf die Festlegung von für die Klassifizierung wesentlichen Merkmalen verzichtet werden kann – mit Deep Learning geschieht dies automatisch. In der produktiven Phase gelingt dann die Kategorisierung innerhalb von Millisekunden und mit höchster Treffsicherheit.
• Fehlerdetektion: Produktionsfehler machen sich häufig durch Form-, Farb- und Texturabweichungen bemerkbar. Dies ist schon immer eine Herausforderung für optische Inspektionssysteme. Problematisch wird es bei umfangreichen Fehlerkatalogen mit feinen Abstufungen, oder wenn prozessbedingte Anomalien auftreten können, die tatsächlichen Fehlern visuell ähnlich sind, aber die Funktion des Teils nicht beeinträchtigen und eher „kosmetischer“ Natur sind. In solchen Fällen ist Deep Learning die Methode der Wahl.
• Lesen von Zeichen und Codes: Wenn es wirklich schwierig wird, etwa bei starken Deformationen, schlechtem Kontrast und Spiegelungen, dann sind KI-basierte Algorithmen auch im Bereich Optical Character Recognition (OCR) unschlagbar.
• Kombination mit klassischen Verfahren: Die künstliche Intelligenz ist nicht dazu geeignet, die herkömmlichen Methoden der Bildverarbeitung in jeder Beziehung zu ersetzten. Wenn es um Messen von Distanzen und genaues Orientieren geht, sind regelbasierte Algorithmen besser geeignet. Vorteilhaft ist die Kombination beider Verfahren, etwa die exakte Justierung eines Objekts mit traditionellen Tools und die Oberflächeninspektion mit KI-Unterstützung.