Deep Learning, Bildverarbeitung, Automatisierung, Logistik, Qualitätskontrolle, künstliche Intelligenz, Data, Algorithmen, Roboter, Industrie, neural

Industrielle Bildverarbeitung taucht in die Tiefe Neuronaler Netze. - Bild: Unibap

Eine junge Frau mit dunklem Wuschelhaar hält ihr Handy an den Scanner des Drehkreuzes und tritt in den hellen Supermarkt. Aus Regalen mit einladend angeordneten Snacks nimmt sie sich im Vorbeigehen ein Getränk und eine Plastikbox mit Salat, lässt beides in ihrer Tasche verschwinden und eilt aus dem Geschäft. "Just walk out", so nennt Amazon das Geschäftsprinzip ihrer neuen Amazon-Go Supermärkte.

Hinein und hinaus, einkaufen ohne Kontrolle, Kasse und Personal, wann immer man Zeit und Lust hat. Seit Anfang des Jahres hat Amazon in Seattle die Türen, oder vielmehr die QR-Schleusen, für die eigenen Angestellten geöffnet. Bildverarbeitung, Sensor Fusion und Deep Learning Algorithmen im Hintergrund sorgen dafür, dass die Kasse stimmt und der Kunde sich optimal bedient fühlt.

Unternehmen wie Apple, Google und Tesla forschen und experimentieren seit Jahren in diesem Bereich. Die persönlichen Assistenten der Smartphone-Hersteller, Spracherkennungsprogramme und selbstfahrende Autos, sind das Ergebnis ihrer Bemühungen.

Revival der Neuronalen Netze

Nicht nur im Silicon Valley arbeiten Ingenieure fieberhaft an Deep Learning Methoden, auch in der industriellen Fertigung nimmt das Thema langsam Fahrt auf. Erste Anbieter von Bildverarbeitungssystemen sammeln Erfahrung in der Automatisierung, Logistik und Qualitätskontrolle.

Die Schweizer Firma ViDi etwa. "Wir haben Kunden in der Uhrenindustrie, der Logistik und einen Milchproduzenten", berichtet CTO Dr. Reto Wyss. In Schweden ist es Unibap, ein von den Zeitungen Nyteknik und Affärsvärlden als eines der vielversprechendsten schwedischen Tech Start-ups bezeichnetes Unternehmen. Auch sie nutzen Deep Learning Algorithmen, um Objekte zu identifizieren und Roboter zu führen.

"Wir haben ein fertiges Produkt, Industrieerfahrung und erste Kunden", sagt Prof. Lars Asplund, der an der Universität Mälardalen Informatik unterrichtet. Er ist Gesellschafter der Unibap, CEO von Robyn Robotics AB und CEO von Asplund Data AB. Er spricht von einem Revival der Neuronalen Netze.

Doch wie gut das Zusammenspiel zwischen Sensorik, Bildverarbeitung und Künstlicher Intelligenz im Hintergrund des Amazon-Go Supermarktes wirklich funktioniert, ist zum jetzigen Zeitpunkt nicht bekannt. "Bitte haben Sie Verständnis, dass wir derzeit über diese Innovation keine weiteren Details kommunizieren können, wir sind noch in der Entwicklung!", heißt es seitens des Amazon-Pressevertreters. Zweifel an der Marktreife der Bildverarbeitungssysteme in der Industrie hat auch Michael Salzwedel, Solutions Engineering, Machine Vision bei Sick.

Es würde wohl noch Jahre dauern, bis Bildverarbeitung mit lernenden Algorithmen in der Industrie sinnvoll eingesetzt werden könnten. "Ich kenne kein Bildverarbeitungssystem in der Qualitätssicherung, das heute allein auf Deep Learning basiert."

Dass Algorithmen entscheiden können, welche Produktfehler noch als akzeptabel gelten, welche nicht, hält Salzwedel derzeit ohne die Vorgaben von sachkundigen Experten nicht für realisierbar. "Woher soll denn das System wissen, was Qualitätsingenieure als gut, was als schlecht betrachten?", meint der Ingenieur.

Deep Learning für die Industrie

Forscher kämpfen schon seit Jahrzehnten mit der Realisierung von neuronalen Netzen-, einem Bestandteil der künstlichen Intelligenz. Die nötige Rechenleistung war lange ein großes Hemmnis. Das hat sich geändert und der Welt einen regelrechten Deep Learning Boom beschert. "Das Thema wurde bisher vor allem akademisch heiß gekocht, doch mittlerweile kommt es so langsam in der Industrie an, so Wyss. Mit der heute verfügbaren Rechenleistung sei es möglich, Bilder in Millisekunden zu analysieren.

Wie funktioniert Deep Learning?

Deep Learning bezeichnet eine Klasse von Optimierungsmethoden von künstlichen neuronalen Netzen, welche zahlreiche Zwischenlagen zwischen Eingabeschicht und Ausgabeschicht haben und dadurch eine umfangreiche innere Struktur aufweisen.

In Erweiterung der Lernalgorithmen für Netzstrukturen mit sehr wenigen oder keinen Zwischenlagen, wie beim einlagigen Perzeptron, ermöglichen die Methoden des Deep Learnings auch bei zahlreichen Zwischenlagen einen stabilen Lernerfolg. (Wikipedia)

In den 40er Jahren entstanden die ersten Neuronalen Netze. In den 70er Jahren der erste Lernalgorithmus (Paul Werbos, Backpropagation-Algorithmus).

Je nach Aufgabenstellung sind Künstliche Neuronale Netze (KNN) unterschiedlich aufgebaut. Gemein ist allen, dass sie vor dem Beginn ihrer eigentlichen Aufgabe erst einmal 'trainiert' werden müssen. Dazu nutzt man Lernverfahren wie etwa das Deep Learning. Innerhalb dieser Phase können bestimmte Neuronen-Verbindungen gelöscht oder verstärkt werden. Geeignete Problemstellungen finden sich in der Bild- oder Texterkennung und der Regelungstechnik.

Nachteile der KNN sind ihre häufig langwierigen Trainingsphasen, Optimierungsprobleme und Überanpassung.

Google und Facebook sind in der Entwicklung ihrer KNN schon sehr weit. In KNN mit bis zu 40 Schichten sucht die Google Software nach Konturen, Ecken und Kanten, dann nach zusammenhängenden Gebilden und Körpern. Am Schluss bildet sie aus der Summe der Informationen wieder ein Gesamtbild.

Wie es zu Fehlinterpretationen kommt, konnten die Forscher bislang noch nicht zur Gänze erklären. Doch soviel weiß man: die Traumbilder hängen wohl mit Rückkopplungsschleifen zwischen den Layern zusammen. Fehlinterpretationen, die sich die KI in vorangehenden Schichten gemacht hat, bekräftigen und verstärken die folgenden.