Objekterkennung in der Produktion

Das Erkennen von Objekten ist ein großes Thema in der Produktion. Ein Anwendungsfall ist zum Beispiel, dass Kameras eine Qualitätskontrolle auf Förderbändern durchführen und so die Gesamtqualität und den Produktionstakt verbessern. Wir bei ATR Software bringen solche Kameralösungen in die Produktion.

Für die Umsetzung solcher Anwendungen kann man auf verschiedene Weise vorgehen. Neben der Verwendung von klassischen Algorithmen aus der Bildverarbeitung bieten sich vortrainierte Neuronale Netze aus dem Bereich des maschinellen Lernens an. Diese Netze werden zuerst mithilfe zahlreicher Beispielbilder trainiert, sodass bei einer Anwendung vortrainierte Elemente wie zum Beispiel Personen sehr schnell erkannt werden können. Heute im Fokus: Das YOLO Modell.

Was ist das Yolo Modell?

YOLO (You Only Look Once) ist ein weitverbreitetes Modell im Bereich des maschinellen Lernens, das für die Objekterkennung in Bildern und Videos entwickelt wurde. Im Gegensatz zu traditionellen Ansätzen teilt YOLO das Bild in ein Raster auf und prognostiziert gleichzeitig Bounding Boxes (Begrenzungsrahmen) und Klassen für Objekte in jedem Rasterbereich. Dies ermöglicht eine schnelle und effiziente Echtzeit-Objekterkennung.

Die Hauptmerkmale von YOLO sind:

1. Echtzeit-Verarbeitung: YOLO ist in der Lage, Bilder und Videos in Echtzeit zu analysieren, was es für Anwendungen wie autonomes Fahren, Videoüberwachung und Augmented Reality geeignet macht.
2. Single-Shot-Erkennung: YOLO benötigt nur einen Vorwärtsdurchlauf des Modells, um Bounding Boxes und Klassen für Objekte vorherzusagen, im Gegensatz zu anderen Ansätzen, die mehrere Schritte erfordern.
3. Hohe Genauigkeit: YOLO kann eine hohe Genauigkeit bei der Objekterkennung erreichen, insbesondere in Versionen wie YOLOv3 und YOLOv4, die verbesserte Architekturen und Techniken verwenden.
4. Vielseitigkeit: YOLO kann in verschiedenen Anwendungsgebieten eingesetzt werden, darunter Bilderkennung, Gesichtserkennung, Tiererkennung und mehr.

Insgesamt ist YOLO ein leistungsfähiges Modell für die Objekterkennung, das sich durch seine Geschwindigkeit und Genauigkeit auszeichnet und in vielen praktischen Anwendungen erfolgreich eingesetzt wird.

Selbst ausprobieren?

Das Digitalisierungszentrum Ulm | Alb-Donau | Biberach stellt über die Plattform Gitlab ein Repository zur Verfügung. Wir haben damit mal ein kleines Fotoshooting gemacht. Im blauen Rahmen ist markiert, wo das jeweilige Objekt erkannt wurde. Die Schrift gibt dann in Prozent die Erkennungswahrscheinlichkeit an. Sämtlichen Tieren wurde während den Aufnahmen kein Schaden zugefügt. Außerdem wurden sie ordnungsgemäß ihrem 3-jährigen Besitzer zurück ausgehändigt.

Warum Optimierung?

Optimierungsmethoden spielen in der Produktion eine entscheidende Rolle, da sie dazu beitragen, Ressourcen effizient zu nutzen, Kosten zu minimieren und die Produktionsleistung zu maximieren. 

Diese Methoden können eine Vielzahl von positiven Effekten auf die Produktion haben: 

• Effizienzsteigerung: Durch die Optimierung von Produktionsprozessen können Unternehmen ihre Ressourcen besser nutzen, was zu einer Steigerung der Effizienz führt. Das bedeutet, dass weniger Zeit, Material und/oder Energie benötigt werden, um die gleiche oder sogar eine höhere Menge an Produkten herzustellen. 
• Kostenreduktion: Optimierungsmethoden ermöglichen es, Kosten zu minimieren, indem sie den Einsatz von Ressourcen optimieren. Dies kann die Herstellungskosten senken und die Wettbewerbsfähigkeit auf dem Markt stärken. 
• Zeitmanagement: Effektive Optimierung verkürzt die Durchlaufzeiten in der Produktion. Kürzere Produktionszyklen bedeuten, dass Produkte schneller verkauft werden können. Das wiederum verbessert die Kundenbindung und die Fähigkeit, auf sich ändernde Marktanforderungen zu reagieren.
• Ressourcennutzung: Optimierung ermöglicht eine bessere Nutzung von Ressourcen wie zum Beispiel Arbeitskräfte, Maschinen und Materialien. Das trägt nicht nur zur Kostenreduktion bei, sondern auch zur nachhaltigen Nutzung von Ressourcen, was in der heutigen umweltbewussten Welt von großer Bedeutung ist.
• Qualitätsverbesserung: Durch die systematische Optimierung von Produktionsprozessen können Qualitätsstandards besser eingehalten werden. Dies führt zu weniger Ausschuss, geringeren Nacharbeitskosten und letztendlich zu zufriedeneren Kunden.
• Flexibilität und Anpassungsfähigkeit: Optimierungsmethoden tragen dazu bei, Produktionsprozesse flexibler und anpassungsfähiger zu gestalten. Dies ist besonders wichtig in Zeiten sich schnell ändernder Marktbedingungen oder bei der Einführung neuer Produkte. 

Zur Veranschaulichung möchten wir anhand eines kleinen Beispiels zum Thema Maschinenbelegung Optimierungsstrategien in der Produktion aufzeigen.

Maschinenbelegung – Welcher Auftrag läuft wann auf welcher Maschine? 

Eine wichtige Aufgabenstellung in der Produktion ist die Einplanung von Aufträgen auf Maschinen, die wir im Folgenden anhand eines Beispiels aus der Literatur skizzieren wollen. Die Zahlen und Grafiken sind dem Lehrbuch „Grundlagen des Operations Research” entnommen, adaptiert und gekürzt (s.259 ff) 

In diesem Szenario gibt es vier Aufträge (A1 – A4) zu erledigen, die jeweils nacheinander auf zwei Maschinen (M1, M2) laufen. (vgl. Diagramme). Das bedeutet, dass ein Auftrag zuerst auf Maschine M1 gelaufen sein muss, bevor er auf Maschine M2 bearbeitet werden kann. 

Wenn die Aufträge strikt der Reihe nach erledigt werden, ergibt sich folgender Ablauf: 

Ist das optimal geplant? Das kommt ganz darauf an, welches Zielkriterium man hat. Wie essenziell diese Angabe für die Optimierung ist, verdeutlichen diese drei Beispiele.

Beispiel 1: Kurze Wartezeiten vor Maschine 2

Die Maschine 2 ist direkt abhängig von Maschine 1. Damit sie also möglichst schnell genutzt werden kann, sollte die kürzeste Operationszeit von Maschine 1 als erstes bearbeitet und die weiteren Aufträge aufsteigend nach ihrer Produktionsdauer eingeplant werden.

Damit sieht die Belegung folgendermaßen aus: 

Beispiel 2: Aufträge schnellstmöglich abschließen

Ein anderes Kriterium könnte sein, Aufträge möglichst zeitnah abzuschließen. Dann würden diese direkt hintereinander an den beiden Maschinen eingeplant, ohne Rücksicht auf die Gesamtzeit. 

Beispiel 3: Kürzeste Gesamtbearbeitungszeit

Wenn die Maschine 1 die vier Aufträge ohne Unterbrechungen und in der richtigen Reihenfolge produziert, sind für die gesamte Produktionszeit minimal 11 Zeiteinheiten erforderlich. Zehn Zeiteinheiten beansprucht die erste Maschine für die Abarbeitung der Aufträge, und eine weitere Zeiteinheit wird für die Produktion des dritten Auftrages auf Maschine 2 benötigt. Die zweite Maschine hat eine reine Bearbeitungsdauer von 9 Zeiteinheiten, jedoch kann sie zusätzlich zu dem späteren Stillstand von einer Zeiteinheit erst nach der Fertigstellung des zweiten Auftrages auf Maschine 1 beginnen. Somit ist die Dauer von 11 Zeiteinheiten eine untere Schranke für diese Aufgabenstellung. Oftmals kann diese theoretische Schranke jedoch nicht erreicht werden, aber in diesem Fall ist es möglich.

Wie man schon anhand dieses kleinen Szenarios sieht, gibt es diverse optimale Lösungen für ein Produktionsproblem. Welche die richtige ist, hängt sehr stark von den aufgestellten Zielkriterien und Rahmenbedingungen ab. Neben der reinen Berechnung der optimalen Lösung ist das Verständnis dieser Randbedingungen ein großer Teil eines Optimierungsprojekts.

Typische Ziele in unseren Kundenprojekten sind die Sicherstellung der Liefertreue sowie die Minimierung der Rüst- und Durchlaufzeiten. Als Randbedingungen wiederum spielen häufig die Maschinenfähigkeiten und Qualifikationen, die Maschinen- und Personalkapazitäten und die Priorisierung innerhalb von Maschinengruppen eine wichtige Rolle.

Lassen Sie uns gemeinsam auch Ihr Problem verstehen und optimieren.

Interner Wissensaustausch ist ein wichtiger Faktor bei ATR Software. Deshalb haben wir die Vortragsreihe Wissen kompakt ins Leben gerufen. Das ist eine Vortragsreihe, bei der jedes Teammitglied unkompliziert zum Vortragenden werden kann und hier eine Bühne bekommt, um das Fachwissen mit anderen zu teilen. Jedem Mitarbeitenden steht es dabei frei, bei Interesse an den Vorträgen teilzunehmen. Somit wird ein zwangloser und unkomplizierter Wissensaustausch ermöglicht.

Ein Beispiel gefällig? Der folgende Artikel ist eine grobe Zusammenfassung des Impulsvortrages Nebenläufigkeit in Python.  Die Programmiersprache Python ist im Zuge unserer Aktivitäten im Bereich Machine Learning und Optimierung essenziell, weshalb sich unser KI-Team intensiv mit dieser Sprache beschäftigt.

Um was geht es?

Auch als parallele Programmierung bekannt, ist die Nebenläufigkeit eine wichtige Technik zur Optimierung der Leistung von Programmen. In Python gibt es verschiedene Möglichkeiten, um Nebenläufigkeit zu implementieren, darunter Multithreading, Multiprocessing und Coroutinen. In diesem Artikel werden wir uns diese Konzepte genauer ansehen und ihre Unterschiede sowie ihre Vor- und Nachteile diskutieren.

Leider muss zuerst gesagt werden, dass der Global Interpreter Lock (GIL), ein Mechanismus in CPython, die Ausführung von Python-Code auf einem einzigen Thread beschränkt. Dies bedeutet, dass Python-Code aufgrund des GIL nur sequenziell ausgeführt werden kann, auch wenn mehrere Threads vorhanden sind. Der GIL verhindert somit eine echte Nebenläufigkeit in Python, da mehrere Threads nicht gleichzeitig auf verschiedene Prozessorkerne zugreifen und somit eine gleichzeitige Ausführung von Code auf mehreren Kernen nicht möglich ist.

Multithreading in Python

Multithreading bezieht sich auf die Ausführung von mehreren Threads innerhalb eines einzigen Prozesses. Ein Thread ist eine leichtgewichtige Unterbrechung eines Programms, die unabhängig von anderen Threads ausgeführt werden kann. Ein Prozess kann mehrere Threads haben, die alle im selben Speicherbereich arbeiten. Python verfügt über eine integrierte Thread-Unterstützung, die das Erstellen und Ausführen von Threads sehr einfach macht.

Beispiel für Multithreading in Python:

import threading

def print_numbers():
    for i in range(10):
        print(i)

def print_letters():
    for i in range(ord('a'), ord('k')):
        print(chr(i))

t1 = threading.Thread(target=print_numbers)
t2 = threading.Thread(target=print_letters)

t1.start()
t2.start()

t1.join()
t2.join()

In diesem Beispiel werden zwei Threads erstellt, die jeweils eine Funktion ausführen, um Zahlen und Buchstaben auszudrucken. Der Code t1.start() und t2.start() starten die Threads, und der Code t1.start() und t2.join() stellt sicher, dass die Threads abgeschlossen sind, bevor das Programm beendet wird.

Multithreading hat den Vorteil, dass es sehr einfach zu implementieren ist und die Ressourcen eines Computers effizienter nutzen kann. Allerdings gibt es auch einige Nachteile. Wenn mehrere Threads auf gemeinsame Ressourcen zugreifen, wie zum Beispiel eine globale Variable, kann es zu Race Conditions kommen, die zu Fehlern führen können. Außerdem kann das Debuggen von Threads schwierig sein, da der Kontrollfluss zwischen den Threads wechseln kann und schwer vorherzusagen ist.

Multiprocessing in Python

Multiprocessing ist ähnlich wie Multithreading, aber anstatt Threads werden mehrere Prozesse ausgeführt, die jeweils ihren eigenen Speicherbereich haben. Das bedeutet, dass Daten zwischen den Prozessen ausgetauscht werden müssen, was im Vergleich zu Multithreading etwas komplizierter ist. Python verfügt über eine integrierte Multiprocessing-Unterstützung, die das Erstellen und Ausführen von Prozessen sehr einfach macht.

Beispiel für Multiprocessing in Python:

import multiprocessing

def print_numbers():
    for i in range(10):
        print(i)

def print_letters():
    for i in range(ord('a'), ord('k')):
        print(chr(i))

if __name__ == '__main__':
    p1 = multiprocessing.Process(target=print_numbers)
    p2 = multiprocessing.Process(target=print_letters)

    p1.start()
    p2.start()

    p1.join()
    p2.join()

In diesem Beispiel werden zwei Prozesse erstellt, die jeweils eine Funktion ausführen, um Zahlen und Buchstaben auszudrucken. Die Zeile if __name__ == ‚__main__‘: stellt sicher, dass der Code nur ausgeführt wird, wenn das Skript als Hauptprogramm ausgeführt wird, anstatt von einem anderen Skript importiert zu werden. Der Code p1.start() und p2.start() starten die Prozesse, und der Code p1.join() und p2.join() stellt sicher, dass die Prozesse abgeschlossen sind, bevor das Programm beendet wird.

Multiprocessing hat den Vorteil, dass es einfacher zu debuggen ist als Multithreading, da jeder Prozess seinen eigenen Speicherbereich hat und es keine Race Conditions gibt. Allerdings ist es auch etwas langsamer als Multithreading, da das Erstellen und Beenden von Prozessen etwas mehr Zeit in Anspruch nehmen.

Coroutinen in Python

Coroutinen sind eine andere Art der Nebenläufigkeit, die in Python verwendet werden können. Coroutinen sind Funktionen, die gestartet werden können und später wieder aufgenommen werden können, ohne dass ein neuer Thread oder Prozess gestartet werden muss. Python verfügt über eine integrierte Unterstützung für Corutinen in Form von Generator-Objekten und asynchronen Funktionen.

Beispiel für Coroutinen in Python:

import asyncio

async def print_numbers():
    for i in range(10):
        print(i)
        await asyncio.sleep(1)

async def print_letters():
    for i in range(ord('a'), ord('k')):
        print(chr(i))
        await asyncio.sleep(1)

async def main():
    await asyncio.gather(print_numbers(), print_letters())

asyncio.run(main())

In diesem Beispiel werden zwei Coroutinen erstellt, die jeweils eine Funktion ausführen, um Zahlen und Buchstaben auszudrucken. Der Code asyncio.sleep(1) sorgt dafür, dass jede Coroutine eine Sekunde lang pausiert, bevor sie die nächste Zahl oder den nächsten Buchstaben ausdruckt. Der Code asyncio.gather(print_numbers(), print_letters()) stellt sicher, dass beide Coroutinen parallel ausgeführt werden.

Coroutinen haben den Vorteil, dass sie sehr effizient sind und keine zusätzlichen Threads oder Prozesse benötigen. Sie sind auch sehr einfach zu debuggen, da sie sequenziell ausgeführt werden. Allerdings sind sie möglicherweise nicht die beste Wahl für Aufgaben, die eine intensive CPU-Nutzung erfordern, da sie nur auf einem CPU-Kern ausgeführt werden.

Fazit

In Python gibt es verschiedene Möglichkeiten, um Nebenläufigkeit zu implementieren, darunter Multithreading, Multiprocessing und Coroutinen. Jede dieser Methoden hat ihre eigenen Vor- und Nachteile. Die Wahl der Methode hängt von der spezifischen Anwendung ab. Multithreading ist gut geeignet für Anwendungen, die viele Eingabe- beziehungsweise Ausgabeoperationen ausführen, während Multiprocessing besser für Anwendungen geeignet ist, die eine intensive CPU-Nutzung erfordern. Coroutinen wiederum sind eine gute Wahl für Anwendungen, die viele Aufgaben mit wenig CPU-Nutzung ausführen müssen.

Es ist wichtig zu beachten, dass Nebenläufigkeit in Python einige Fallstricke haben kann, insbesondere wenn mehrere Threads oder Prozesse auf gemeinsame Ressourcen zugreifen. Um Probleme zu vermeiden, sollten Sie immer sicherstellen, dass der Zugriff auf gemeinsame Ressourcen durch Verwendung von asynchronen Mechanismen synchronisiert ist.

Wollen Sie tiefer in das Thema eintauchen? Wir empfehlen die Lektüre der Tutorials von Jason Brownlee https://superfastpython.com/tutorials/