Artificial Intelligence (AI) neemt een steeds prominentere rol in binnen industriële automatisering en de kwaliteitsborging van productieprocessen. Het lijkt soms alsof AI als oplossing wordt gezien voor bijna elke taak in consumententechnologie. Bij nieuwe apparaten of software wordt tegenwoordig verwacht dat er op zijn minst enige vorm van AI is geïntegreerd. Ondanks enige mate van hype, gedreven door veelbelovende mogelijkheden en resultaten, is het duidelijk dat AI geen voorbijgaande trend is. De capaciteit van AI om complexe taken met hoge precisie uit te voeren, maakt het uitermate waardevol voor bedrijven. De voortdurende ontwikkeling, gestimuleerd door onderzoeksinvesteringen en financieringsprogramma’s, duidt erop dat AI naar verwachting onmisbaar zal worden. Dit geldt ook voor Vision AI.
Machine learning ontsluit specifiek geheel nieuwe mogelijkheden die conventionele, op regels gebaseerde beeldverwerking niet kan bieden. Desalniettemin is het belangrijk om de technologie realistisch en kritisch te beoordelen, om de werkelijke toepassingen en beperkingen ervan te begrijpen. Het is duidelijk dat AI een blijvende impact zal hebben, met het vermogen om complexe taken nauwkeurig uit te voeren in veel toepassingsgebieden.
De werking van Vision AI in industriële toepassingen
In industriële toepassingen maakt AI-gebaseerde beeldverwerking voornamelijk gebruik van machine learning-methoden. Deze methoden stellen computerprogramma’s in staat om te leren van ervaring en automatisch patronen en inzichten uit data te halen, zonder dat daarvoor expliciete programmering nodig is. Dit gebeurt door algoritmen en modellen aan te passen op basis van data, waardoor ze gebruikt kunnen worden voor voorspellingen, patroonherkenning en besluitvorming.
AI-methoden tonen hun kracht met name in beeldgegevens die sterk variërende inhoud bevatten. Ze kunnen patronen en kenmerken herkennen die moeilijk te definiëren zouden zijn met regelgebaseerde beeldverwerking, zoals terugkerende vormen, kleuren of posities. De objectkenmerken die relevant zijn voor herkenning worden niet meer gespecificeerd door een vooraf gedefinieerde reeks programma’s. Neurale netwerken worden tijdens een leerfase getraind om deze kenmerken te associëren met labels door herhaaldelijk blootgesteld te worden aan ‘zichtbare’ voorbeelden. Dit vereist vaak een groot aantal diverse voorbeeldafbeeldingen, waardoor de machine learning-algoritmen robuuster worden in het herkennen van relevante kenmerken, zelfs in onbekende omgevingen.
De benaderingen en methoden die worden gebruikt in Vision AI
Bij traditionele beeldverwerkingsalgoritmen, gebaseerd op regels, zijn ze vaak specifiek ontworpen voor één specifieke taak en moeilijk aan te passen voor nieuwe taken. In tegenstelling hiermee biedt AI de mogelijkheid om modellen met ’transfer learning’ te trainen voor één taak en ze vervolgens te gebruiken voor vergelijkbare taken zonder volledige hertraining. Dit vergemakkelijkt het hergebruik van modellen en versnelt de ontwikkeling van nieuwe toepassingen voor machine vision.
De kwaliteit van de resultaten in AI is niet langer afhankelijk van handmatig geschreven code door een beeldverwerkingsdeskundige. In plaats daarvan wordt deze kwaliteit bepaald door het leerproces met geschikte steekproefgegevens. Hoewel dit proces een diepgaand begrip van de toepassing vereist, kunnen domeinexperts, die goed bekend zijn met de producten en hun specifieke eigenschappen, haalbaarheidsstudies uitvoeren met de juiste Vision AI-tools. Hierdoor zijn bedrijven minder afhankelijk van programmeurs en beeldverwerkingsexperts tijdens de beoordelingsfase.
AI-systemen hebben de mogelijkheid om beelden te classificeren in verschillende categorieën, wat nuttig is voor toepassingen zoals beeldherkenning of de identificatie en classificatie van producten. Bovendien automatiseert AI-gebaseerde beeldverwerking veel taken die voorheen handmatig werden uitgevoerd, zoals het detecteren van defecten of het sorteren van objecten op transportbanden. Het vermogen om complexe patronen en structuren in beelden te identificeren, zelfs als deze moeilijk zichtbaar zijn voor het menselijk oog, maakt het een waardevol instrument in kwaliteitsborging. Over het algemeen leidt de integratie van AI-gebaseerde beeldverwerking in deze industrieën tot verbeteringen in efficiëntie, kwaliteit, veiligheid en kosteneffectiviteit.
AI Vision speelt een cruciale rol bij het ondersteunen van kwaliteitsborging
AI-gebaseerde methoden hanteren een fundamenteel andere aanpak, waardoor fabrikanten zoals IDS nieuwe en intuïtieve ontwikkeltools voor beeldverwerking kunnen creëren. Hiermee kunnen menselijke kwaliteitseisen worden overgebracht naar beeldverwerkingssystemen. Voorheen complexe ontwikkeling van ingebedde systemen, die specifieke expertise vereisten, profiteert hier aanzienlijk van. Het IDS NXT AI-camerasysteem toont aan hoe eenvoudig vision-processen kunnen worden ontwikkeld en geïmplementeerd op een compact, op zichzelf staand systeem, zonder dat een pc nodig is. Het feit dat een groot deel van het ontwikkel- en evaluatieproces plaatsvindt via een eenvoudige en intuïtieve cloudservice, zonder gespecialiseerde kennis van AI, applicatieprogrammering of beeldverwerking, maakt embedded vision toegankelijk voor een breder publiek.
AI-gebaseerde algoritmes kunnen efficiënt parallel worden uitgevoerd en versneld worden met geschikte hardware om grote hoeveelheden gegevens in realtime te verwerken. Dit gebeurt niet alleen in krachtige GPU’s in grote datacentra. Met de opkomst van speciale NPU’s kan Vision AI nu ook zeer energiezuinig worden uitgevoerd op kleine embedded vision-apparaten. Dit maakt een schaalbaar gebruik van de technologie mogelijk, afhankelijk van de toepassingsvereisten op verschillende hardwareplatforms.
AI Vision draagt aanzienlijk bij aan de duurzaamheidsdoelstellingen van de industrie
Met de mogelijkheid om productieprocessen te monitoren en te sturen, kunnen bedrijven hulpbronnen zoals water, grondstoffen en energie veel efficiënter gebruiken. Dit draagt bij aan het verminderen van afval en schroot, wat op zijn beurt middelen en energie bespaart. Door de efficiëntie, kwaliteit en duurzaamheid van productieprocessen te verbeteren, kunnen AI-gedreven industriële camera’s helpen om de milieu-impact van de industrie te minimaliseren en tegelijkertijd de economische winstgevendheid te vergroten.
Grenzen van AI Vision
Het is lastig om de exacte grenzen van een technologie aan te geven, vooral omdat deze nog volop in ontwikkeling is en ervaring ontbreekt. De beperkingen van AI-gebaseerde beeldverwerking worden bijvoorbeeld zichtbaar wanneer de beoogde resultaten niet worden behaald. Dit ligt niet per se aan technologische tekortkomingen, maar komt vaak voort uit een gebrek aan ervaring met AI-methoden. De grootste uitdaging en tegelijkertijd het grootste potentieel voor fouten, in vergelijking met regelgebaseerde methoden, ligt in het verschaffen van voldoende goede en relevante trainingsgegevens voor het leerproces. De kwaliteit van de input is cruciaal voor de output. Een AI-systeem is afhankelijk van data waarmee het ‘correct gedrag’ kan leren. Als een Vision AI wordt opgebouwd onder gecontroleerde omstandigheden met niet-representatieve data voor latere toepassingen, of erger nog, als de data patronen vertoont die vooroordelen weerspiegelen, zal het systeem deze vooroordelen overnemen en mogelijk bevooroordeelde beslissingen nemen tijdens het gebruik. Het is daarom van essentieel belang om zorgvuldig om te gaan met de selectie en kwaliteit van trainingsgegevens.
Industriële AI-projecten brengen verschillende uitdagingen met zich mee
Het is essentieel om te realiseren dat AI geen magie is en momenteel nog niet intelligent genoeg is om te anticiperen op onze verwachtingen. AI-gebaseerde beeldverwerking is een krachtig hulpmiddel wanneer het correct wordt toegepast. Om dit te bereiken, is het cruciaal om nauwkeurig te definiëren wat de taak van een machine vision-systeem moet zijn. Hoe duidelijker de vraag naar een specifiek resultaat wordt gesteld, des te preciezer kan de juiste trainingsdata worden voorbereid voor het leerproces. Een uitdaging ligt in het toeschrijven van ongewenste resultaten aan het leerproces, waarbij de nadruk ligt op de overdracht van kennis in plaats van het proberen om het besluitvormingsproces nauwkeurig te sturen, zoals vereist was in regelgebaseerde systemen. Inference, vaak beschouwd als een “zwarte doos”, is in feite slechts het resultaat van de juiste inputdata. Hoe beter het systeem wordt getraind, des te waarschijnlijker het gewenste resultaat. Dit vereist enige heroverweging van traditionele benaderingen.
Vision AI, oftewel kunstmatige intelligentie toegepast op beeldverwerking
Er bestaat geen universele technologie die geschikt is voor alle toepassingen. Het is essentieel om een grondige analyse uit te voeren om te bepalen welke aanpak het meest geschikt is voor de specifieke omstandigheden. In bepaalde situaties kunnen regelgebaseerde benaderingen nog steeds effectief en efficiënt zijn. Aan de andere kant is het vermogen van machine learning om complexe taken met hoge precisie uit te voeren buitengewoon waardevol. Het is echter niet per definitie superieur en zal regelgebaseerde beeldverwerking niet volledig vervangen. Voor optimale resultaten is het vaak verstandig om meerdere benaderingen te combineren. Wie succesvol gebruik wil maken van AI, moet bereid zijn te experimenteren en open te staan voor nieuwe ideeën en benaderingen. Een vernieuwende mindset zal op de lange termijn vruchten afwerpen in termen van rendement op investering.
admin