如何使用應用程序識別組件

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。神經網絡比人類更準確地識別日常物體。弗勞恩霍夫生產系統和設計技術研究所IPK的研究團隊利用了這些功能，并修改了算法以用于工業應用。例如，一個應用程序可以在幾秒鐘內明確識別沒有條形碼的各個組件。神經網絡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貨流程。

公司越來越多地與多個供應公司合作，在不同的地點生產商品。不能保證接收到的所有組件都標有條形碼或銘牌，這意味著經常需要在接收區域中對對象進行重新分類。然后，員工必須手動在目錄中搜索相似的零件，以明確標識它們以進行進一步的物流處理，這是一項艱巨且耗時的任務。自動化的數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-應用機器學習方法。他們使用所謂的卷積神經網絡 (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備。

生成工業過程的培訓數據

“神經網絡已經成為圖像處理的標準。可靠地識別出1000個日常物體需要一百萬個圖像，這些網絡才能用作訓練數據。我們的工作是生成即使在數據很少的情況下也適用于工業應用的算法，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擔，我們的目標是使該算法能夠輕松地區分甚至是高度相似的物體，例如相同標準但尺寸不同的螺釘或渦輪增壓器。不同的生產系列。”

Fraunhofer IPK的研究員。“我們使用專門開發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現的整個范圍。”

為了實現這一目標，Lehr和他的同事在德國聯邦經濟和能源部(BMWi)資助的項目中開發了一種名為Logic.Cube的檢測系統。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備中，并由最多9個攝像機拍攝。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據庫中。該圖像數據用于訓練AI算法，以使其能夠識別各種不同的成分。