长期以来，人工智能方法已成功用于图像处理中，并取得了巨大的成功。神经网络比人类更准确地识别日常物体。弗劳恩霍夫生产系统和设计技术研究所IPK的研究团队利用了这些功能，并修改了算法以用于工业应用。例如，一个应用程序可以在几秒钟内明确标识没有条形码的各个组件。神经网络的潜力将特别有利于物流公司，后者可以利用它们来加快进货流程。
公司越来越多地与多个供应公司合作，在不同的地点生产商品。无法保证接收到的所有组件都用条形码或铭牌标记，这意味着通常需要在接收区域中对对象进行重新分类。然后，员工必须手动在目录中搜索相似的零件，以明确标识它们以进行进一步的物流处理，这是一项艰巨且耗时的任务。自动化的数字化识别将有助于加快这一过程。柏林Fraunhofer IPK的研究人员正在研究这项任务-应用机器学习方法。他们使用所谓的卷积神经网络 (CNN)识别制造的组件，例如螺钉，夹具，喷嘴，管道，管子和电缆，以及微控制器和其他电子设备。
生成工业过程的培训数据
“神经网络已经成为图像处理的标准。可靠地识别出1000个日常物体需要一百万个图像，这些网络才能用作训练数据。我们的工作是生成即使在数据很少的情况下也适用于工业应用的算法，因此，在这种情况下，可以自动识别没有代码的组件，从而减轻了接收人员的负担，我们的目标是使该算法能够轻松地区分甚至是高度相似的对象，例如相同标准但尺寸不同的螺钉或涡轮增压器。不同的生产系列，”
Fraunhofer IPK的研究员。“我们使用专门开发的算法将搜索半径限制为五个或十个对象，因此员工不再需要搜索通常在大型仓库中发现的整个范围。”
为了实现这一目标，Lehr和他的同事在德国联邦经济和能源部(BMWi)资助的项目中开发了一种名为Logic.Cube的检测系统。最大边缘长度为40厘米的待识别对象被放置在具有集成刻度的立方体形设备中，并由最多9个摄像机拍摄。图像处理算法可测量对象的高度，宽度和长度，以计算所需的盒子或架子空间的大小。同时，生成的图像集和材料编号一起存储在数据库中。该图像数据用于训练AI算法，以使其能够识别各种不同的成分。
识别率高，图像少
由于并非每个公司都会考虑购买Logic.Cube，因此Fraunhofer IPK研究团队将检测系统的功能移植到了基于浏览器的，独立于操作系统的应用程序中，该应用程序可在智能手机，平板电脑，笔记本电脑和台式计算机上运行。为此，他们必须扩展训练数据集以包括智能手机数据并重新训练算法。“我们用在各种场景中拍摄的一百个组件对算法进行了测试，每个部分拍摄了50张图像。在几秒钟内，该应用程序向用户显示了五个或更少的潜在匹配项，与照明，背景和风景无关。这种识别是如此强大，以至于可以取代手动搜索。”工程师说。“这为工人节省了不可思议的时间。我们设法以最少的图像获得了很高的识别率。
这些图像将通过Internet或公司的内部网上传并存储在本地边缘云中，这也是实际图像处理和识别的地方。Lehr解释说：“ AI算法在服务器上运行，而智能手机或平板电脑应用程序是客户端。” 整个系统的设计方式是，在使用时会不断收集其他数据。经过一定时间后，这些新数据可用于重新训练算法，从而形成一个不断自我完善的系统。
目前，研究人员正在努力扩展图像数据集并使目录数字化并将其集成到应用程序中。很快就可以通过边缘云启动所有后续过程，例如进一步的处理和可能的重新排序。Lehr和他的同事们也在优化算法，以使即使看起来非常相似的物体也能被识别。在进行的测试中，系统甚至可以正确识别相同标准但尺寸不同的螺钉。
应用场景：表面检查
该应用程序还可用于表面检查。基于AI的图像处理用于在收到传入组件后立即检查它们的表面。它显示零件是否有刮擦或腐蚀，或者在运输过程中是否损坏或只是有点脏。AI方法用于标记图像上的相关斑点，以便工人可以立即检查损坏的区域。Lehr说：“制造业公司在AI方面通常仍然持谨慎态度。如果我们的研究工作能够帮助抵制这种怀疑并提高员工的接受度，我们将感到非常高兴。”
