長期以來，AI方法已成功用于圖像處理中，并取得了巨大的成功。神經(jīng)網(wǎng)絡(luò)比人類更準(zhǔn)確地識別日常物體。弗勞恩霍夫生產(chǎn)系統(tǒng)和設(shè)計技術(shù)研究所IPK的研究團(tuán)隊利用了這些功能，并修改了算法以用于工業(yè)應(yīng)用。例如，一個應(yīng)用程序可以在幾秒鐘內(nèi)明確識別沒有條形碼的各個組件。神經(jīng)網(wǎng)絡(luò)的潛力將特別有利于物流公司，后者可以利用它們來加快進(jìn)貨流程。

公司越來越多地與多個供應(yīng)公司合作，在不同的地點(diǎn)生產(chǎn)商品。不能保證接收到的所有組件都標(biāo)有條形碼或銘牌，這意味著經(jīng)常需要在接收區(qū)域中對對象進(jìn)行重新分類。然后，員工必須手動在目錄中搜索相似的零件，以明確標(biāo)識它們以進(jìn)行進(jìn)一步的物流處理，這是一項艱巨且耗時的任務(wù)。自動化的數(shù)字化識別將有助于加快這一過程。柏林Fraunhofer IPK的研究人員正在研究這項任務(wù)-應(yīng)用機(jī)器學(xué)習(xí)方法。他們使用所謂的卷積神經(jīng)網(wǎng)絡(luò) (CNN)識別制造的組件，例如螺釘，夾具，噴嘴，管道，管子和電纜，以及微控制器和其他電子設(shè)備。

生成工業(yè)過程的培訓(xùn)數(shù)據(jù)

“神經(jīng)網(wǎng)絡(luò)已經(jīng)成為圖像處理的標(biāo)準(zhǔn)?？煽康刈R別出1000個日常物體需要一百萬個圖像，這些網(wǎng)絡(luò)才能用作訓(xùn)練數(shù)據(jù)。我們的工作是生成即使在數(shù)據(jù)很少的情況下也適用于工業(yè)應(yīng)用的算法，因此，在這種情況下，可以自動識別沒有代碼的組件，從而減輕了接收人員的負(fù)擔(dān)，我們的目標(biāo)是使該算法能夠輕松地區(qū)分甚至是高度相似的物體，例如相同標(biāo)準(zhǔn)但尺寸不同的螺釘或渦輪增壓器。不同的生產(chǎn)系列。”

Fraunhofer IPK的研究員。“我們使用專門開發(fā)的算法將搜索半徑限制為五個或十個對象，因此員工不再需要搜索通常在大型倉庫中發(fā)現(xiàn)的整個范圍。”

為了實現(xiàn)這一目標(biāo)，Lehr和他的同事在德國聯(lián)邦經(jīng)濟(jì)和能源部(BMWi)資助的項目中開發(fā)了一種名為Logic.Cube的檢測系統(tǒng)。最大邊緣長度為40厘米的待識別對象被放置在具有集成刻度的立方體形設(shè)備中，并由最多9個攝像機(jī)拍攝。圖像處理算法會測量對象的高度，寬度和長度，以計算所需的盒子或架子空間的大小。同時，生成的圖像集和材料編號一起存儲在數(shù)據(jù)庫中。該圖像數(shù)據(jù)用于訓(xùn)練AI算法，以使其能夠識別各種不同的成分。