Nachdem Sick erste Pilotprojekte durchgeführt hat, bietet das Unternehmen nun eine Sensor-Software-Applikation basierend auf Deep Learning für das Systemgeschäft in der Logistikautomation an. In dieser Applikation erkennt das Deep-Learning-System beispielsweise, ob eine Sorterschale in einem Logistik-Hub tatsächlich nur mit einem Objekt beladen ist. Dies kann etwa zu effizienteren Warenströmen führen. Sowohl für den Aufbau des Trainingsdatensatzes durch das Erfassen sowie Bewerten von tausenden von Bildern und Beispielen, als auch für das Training der neuronalen Netzwerke, nutzt Sick als ausführende Einheit eine unabhängige hausinterne leistungsfähige Rechner- und IT-Basis. Die daraus generierten Deep-Learning-Algorithmen werden lokal auf dem Sensor bereitgestellt und sind so unmittelbar und ausfallsicher beispielsweise auf einer intelligenten Kamera verfügbar.
Mittels Deep Learning erbringen Sensoren bei der automatischen Erkennung, Prüfung und Klassifizierung von Objekten oder Merkmalen Intelligenzleistungen, die bislang dem Menschen vorbehalten waren. Damit zählt Deep Learning als Teilbereich des maschinellen Lernens (Machine Learning) zur wohl bedeutendste Zukunftstechnologie innerhalb des Themenfeldes der Künstlichen Intelligenz und ist zugleich auch langfristig Treiber von Industrie 4.0. Nachdem die Sick AG in Waldkirch erste Pilotprojekte durchführte, bietet das Unternehmen nun eine Software-Applikationen basierend auf Deep Learning für das Systemgeschäft in der Logistikautomation an. In dieser Applikation erkennt das Deep Learning System ob eine Sorterschale in einem Logistik-Hub tatsächlich nur mit einem Objekt beladen ist. Dies führt zu effizienteren Warenströmen. Sowohl für den Aufbau des Trainingsdatensatzes durch das Erfassen und Bewerten von tausenden von Bildern und Beispielen, als auch für das Training der neuronalen Netzwerke, nutzt Sick als ausführende Einheit eine unabhängige hausinterne leistungsfähige Rechner- und IT-Basis. Das umfangreiche Rechnen der komplexen Operationen der Deep-Learning-Lösung für das Training erfolgt auf speziell dafür ausgestatteten Rechnern mit hoher GPU-Performance. Die daraus generierten neuen Deep-Learning-Algorithmen werden lokal auf dem Sensor bereitgestellt und sind so unmittelbar und ausfallsicher beispielsweise auf einer intelligenten Kamera verfügbar.
Ausbau des Deep Learning-Sensorportfolios
Mit der Umsetzung von Deep Learning in ausgewählten Sensoren und Sensorsystemen zündet das Unternehmen nach dem Eco-System Sick AppSpace die nächste Stufe in AppSpace – ein Sensor-Software-Konzept, das anpassungsfähige und zukunftssichere Lösungen für Automatisierungsanwendungen schafft. Zu den kommenden Produkten, die mit der neuen Technologie arbeiten und deren kundenspezifische Anpassung für den Anwender echte Mehrwerte generiert, gehören natürlich weitere bildverarbeitende Sensoren und Kameras. Das Konzept des durch künstliche Intelligenz spezialisierten Sensors lässt sich prinzipiell auch auf einfache Sensoren, wie induktive Näherungsschalter, Reflexions-Lichtschranken, Ultraschallsensoren und andere anwenden. Darüber hinaus bieten Systemlösung wie die immer anspruchsvoller werdende Fahrzeugklassifizierung an Mautstationen Potenzial für eine Deep Learning-gestützte Einteilung von Fahrzeugen in Mautklassen. ge
