长期以来，人工智能方法已经成功地应用于图像处理，并取得了巨大的成功。神经网络可以比人类更准确地识别日常物品。弗龙霍夫生产系统和设计技术研究所的IPK研究小组利用了这些功能，并针对工业应用修改了算法。例如，应用程序可以在几秒钟内清楚地识别没有条形码的组件。神经网络的潜力将对物流公司特别有利，物流公司可以利用它们来加快采购过程。
公司越来越多地与多家供应公司合作，在不同的地点生产商品。不能保证所有接收的部件都标有条形码或铭牌，这意味着物体通常需要在接收区域重新分类。然后，员工必须手动在目录中搜索相似的零件，以清楚地识别它们，以便进行进一步的物流处理，这是一项艰巨而耗时的任务。自动数字识别将有助于加快这一进程。柏林弗劳恩霍夫IPK大学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)来识别制造的组件，如螺钉、夹具、喷嘴、管道、管道和电缆，以及微控制器和其他电子设备。
生成工业过程的训练数据。
“神经网络已经成为图像处理的标准。可靠地识别1000个日常物体需要一百万张图像，这些网络可以用作训练数据。我们的工作是生成一个适用于工业应用的算法，即使在几乎没有数据的情况下。因此，在这种情况下，可以自动识别没有代码的组件，从而减轻接收器的负担。我们的目标是使该算法能够轻松区分甚至高度相似的物体，例如标准相同但尺寸不同的螺钉或涡轮增压器。不同的生产系列。”
弗劳恩霍夫IPK的研究员。“我们使用专门开发的算法，将搜索半径限制在五到十个对象，这样员工就不再需要搜索通常在大型仓库中找到的整个范围。”
为了实现这个目标，Lehr和他的同事开发了一个名为Logic的检测系统。立方体在德国联邦经济和能源部资助的项目中。最大边缘长度为40厘米的待识别物体被放置在一个带有集成刻度的立方体形设备中，并由多达9个摄像机拍摄。图像处理算法可以测量物体的高度、宽度和长度，以计算所需盒子或架子空间的大小。同时，生成的图像集与材料号一起存储在数据库中。该图像数据用于训练人工智能算法来识别各种组件。
识别率高，图像少。
因为不是每个公司都会考虑购买Logic。Cube，Fraunhofer IPK研究团队将检测系统的功能移植到独立于操作系统的基于浏览器的应用程序中，这些应用程序可以在智能手机、平板电脑、笔记本电脑和台式电脑上运行。因此，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。“我们在各种场景中拍摄了100个组件来测试该算法，每个部分拍摄了50幅图像。在几秒钟内，应用程序向用户显示五个或更少的潜在匹配，而不管灯光、背景和风景如何。这种识别功能非常强大，可以取代人工搜索。”工程师说。“这为工人节省了难以置信的时间。我们设法用最少的图像获得了高识别率。
这些图像将通过互联网或公司内部网上传，并存储在本地边缘云中，这也是处理和识别实际图像的地方。Lehr解释说：“AI算法运行在服务器上，而智能手机或平板电脑应用则是客户端。”整个系统的设计方式是在使用过程中不断收集其他数据。经过一定时间后，这些新数据可以用来重新训练算法，从而形成一个自我完善的系统。
目前，研究人员正在努力扩展图像数据集，数字化目录并将其集成到应用程序中。很快，所有后续流程，如进一步处理和可能的重新排序，都可以通过边缘云启动。Lehr和他的同事也在优化算法，这样即使是看起来非常相似的物体也能被识别出来。在测试中，系统甚至可以正确识别标准相同但尺寸不同的螺钉。
场景：表面检查
该应用也可用于表面检查。基于人工智能的图像处理用于在接收到输入组件后立即检查它们的表面。它显示零件是否被划伤或腐蚀，或者在运输过程中是否损坏或只是有点脏。人工智能方法用于在图像上标记相关的点，以便工人可以立即检查损坏的区域。Lehr说：“制造企业通常对人工智能仍持谨慎态度。如果我们的研究工作能够有助于抵制这种怀疑，提高员工的接受度，我们将非常高兴。”
