Expertenwissen Archives - Seite 2 von 5

Was tun, wenn die KI mit der Zeit an Performance verliert? Das Problem von Data Drift und wie man damit umgeht.

Die Ausgangslage

Wenn ein KI-System implementiert und live in Verwendung ist, erstellt es Vorhersagen, welche zum Beispiel einen Workflow in einer Firma optimieren, unterstützten, verbessern oder verschlanken. Das kann ein Kamerasystem sein, welches defekte Bauteile in einer Produktionslinie erkennt oder ein Modell, das Absatzprognosen für kommende Monate abgibt. Zu einem laufenden KI-System gibt es in der Regel auch ein Dashboard, welches Kennzahlen zu Eingangsparametern und Prognosen darstellt, aber auch Performances zur KI, wie Fehlerraten oder Berechnungszeiten angibt.

Um also eine Verschlechterung der Performance der KI zu vermeiden, muss man die Änderungen in den Daten überwachen. Eine solche Änderung liegt vor, wenn sich die Beziehung zwischen Input- und Output-Daten ändert. Wenn beispielsweise die Regierung einen Lockdown verhängt, ändert sich abrupt das Kaufverhalten von Konsumenten, sodass die Absatzprognosen des Modells nicht mehr stimmen können. Ändert sich der Standort einer Maschine in der Fabrik, würde das Kameramodell nicht mehr ganz so gut funktionieren, weil sich die Lichtverhältnisse geändert haben. Wir reden hier von abrupten Drifts, die nicht vorhersehbar und damit nicht modellierbar sind. Graduelle Drifts im Gegensatz dazu liegen vor, wenn sich die Verteilung der Daten über einen längeren Zeitraum hinweg verändert. Das kann zum Beispiel sein, wenn die Linse an der Kamera mit der Zeit verstaubt oder sich das Konsumverhalten der Konsumenten zu mehr Nachhaltigkeit umstellt. Diese graduellen Drifts bewirken einen graduellen Performanceverlust, der durch das Dashboard sichtbar gemacht wird.

Lösung

Beim Aufsetzen einer KI in der Produktionsumgebung ist es also wichtig, das Problem von Concept Drift von Anfang an mitzudenken und das Nachtrainieren der KI mit einem Re-Training in einem Continous Integration (CI) System zu ermöglichen. Bei CI handelt es sich um eine DevOps-Softwareentwicklungspraxis, bei der die Entwickler ihre Codeänderungen regelmäßig in einer Cloud ablegen, von wo aus nach Ablaufen von Tests die Software automatisch geupdatet wird.

In diesem Blogartikel haben wir kurz umrissen, was Concept Drift ist, welche Probleme daraus entstehen, welche Driftarten es gibt und wie man ihnen begegnen kann.

Mit dem 3D-Drucker zu einer besseren Tiefenwahrnehmung

in Expertenwissen, Forschung, Forschungsprojekt MeMoRob, News/von Matthias

Frontale Ansicht der Stereokamera mit fertig montiertem Ringlicht und Laser zur Verbesserung der Tiefenwahrnehmung.

Im Zuge des Forschungsprojektes MeMoRob verwenden wir eine Stereokamera. Damit erhalten wir nicht nur die Farbinformationen aufgezeichneter Objekte, sondern können auch deren Abstand zur Kamera bestimmen.

Beschreibung der Stereokamera

Die Stereokamera zeichnet den gleichen Bereich ähnlich der menschlichen Wahrnehmung mit zwei Kameras gleichzeitig auf. In den beiden Bildern vergleicht der Algorithmus der Kamera dann die Positionen markanter Punkte. Anhand des bekannten Abstandes der beiden Kameras zueinander und der Berechnung des Positionsunterschiedes der Punkte wird dann die Distanz des Objektes zur Kamera zu berechnet.

Um das Finden solcher markanten Punkte zu verbessern, brachten wir ein Ringlicht und einen Laserpointer mit Streuung an der Kamera an. Hierfür konstruierten wir Halterungen, die zu den existierenden Anschraubpunkten der Kamera kompatibel sind. Diese Halterungen konnten wir direkt mit dem 3D-Drucker herstellen, sodass sie zeitnah zum Einsatz bereitstanden. Mit ihrer Hilfe befestigten wir die zusätzliche Hardware präzise an der Kamera.

Versuchsaufbau der Stereokamera für MemoRob von oben

Versuchsaufbau für MeMoRob mit der Stereokamera

Die Problemstellung

Ohne eine konstante Beleuchtung ist die Helligkeit der Aufnahmen stark von den umgebenden Lichtverhältnissen abhängig. Auf einer mobilen Plattform wie bei dem Projekt MeMoRob kann sich die Umgebungsbeleuchtung schnell ändern, was zu Problemen führen kann. Die Helligkeit in einem Bild lässt sich im groben durch die beiden Faktoren Beleuchtung und Belichtungszeit beeinflussen. Da die Bildqualität bei einer automatischen Anpassung der Belichtungszeit stark schwanken kann, setzen wir die Belichtungszeit auf einen festen Wert.

Die Lösung

Durch das Ringlicht bekommen wir in den Versuchen eine konstante Helligkeit in den Bildern, die zur gewählten Belichtungszeit passt. Dadurch verbessert sich die Menge an erkannten Punkten und mit dieser wiederum die Genauigkeit der wahrgenommenen Tiefe. Je mehr markante Stellen im Bild vorhanden sind, desto besser kann der Abstand zur Kamera bestimmt werden. Deshalb modifizierten wir die Halterung des Ringlichtes, sodass ein Laserpointer mit Streuung darin eingespannt werden kann. Dieser wirft nun ein Punkteraster auf den Bereich, der von den Kameras aufgezeichnet wird. Durch die zusätzlichen Punkte des Laserpointers ist es uns möglich, die Tiefe auch an Stellen gut zu bestimmen, an denen die Farbe der aufgezeichneten Objekte sehr einheitlich ist.

Da eine Dauerbelastung des Lichtes und des Lasers vermieden werden soll, ermöglichten wir ein An- beziehungsweise Ausschalten der beiden Lichtquellen über eine Netzwerkschnittstelle. Dies ermöglicht es uns, die Komponenten nur während einer angeforderten Bildaufzeichnung anzuschalten. Um dies beim Ringlicht zu ermöglichen, modifizierten wir den Schalter des Ringlichtes mit einem zusätzlichen Ausgang.

Nahe Ansicht der Halterung für für den Servomotor zum An- und Ausschalten des Lasers

Halterung des Servomotors, um den Laser an- und ausschalten zu können

Nach einer ersten Bohrung ins Gehäuse unseres Laserpointers war zu erkennen, dass diese Modifikation nicht umsetzbar ist, ohne dafür das Gehäuse größer aufsägen oder sogar gänzlich entfernen zu müssen. Um dies zu vermeiden, modellierten und druckten wir eine weitere Halterung, mit der ein Servomotor so befestigt wurde, dass sich damit der Knopf zum An- und Ausschalten des Laserpointers betätigen lässt.

Mit Hilfe der 3D-gedruckten Teile, können wir schnell Anpassungen vornehmen sowie testen und dadurch eine deutliche Verbesserung der Tiefenwahrnehmung mit der Stereokamera erreichen.

ATR auf der ECCOMAS 2022

in Expertenwissen, News/von Julian

Vom 5. bis zum 9. Juni 2022 nahm ich für die ATR Software GmbH beim 8. European Congress on Computational Methods in Applied Sciences and Engineering (ECCOMAS) in Oslo teil. Die Konferenz zählt im Bereich der numerischen Mathematik zu den größten und einflussreichsten Konferenzen Europas. Insgesamt konnten die über 6000 Teilnehmenden aus 46 Nationen dort aus einem Programm von über 150 Minisymposien wählen, in denen über 1000 Vorträge angeboten wurden.

Das vielfältige Thema Modellreduktion

Hierbei waren wir insbesondere im Minisymposium „Model Order Reduction – Challenges in Engineering and Industrial Applications“ unter der Leitung von Dr. Annika Robens-Radermacher von der Bundesanstalt für Materialforschung und -prüfung vertreten. Mit der Modellreduktion (im Englischen Model Order Reduction) versucht man rechenaufwendige Modelle so zu vereinfachen, dass die Lösung in einem Bruchteil der ursprünglichen Zeit berechnet werden kann, ohne die Qualität der Lösung zu stark zu beinträchtigen. Die Keynote Lecture hielt Prof. Dr. Gianluigi Rozza über folgendes Thema: State of the Art and Perspectives for Reduced Order Methods in Industrial Computational Fluid Dynamics.

In den weiteren Vorträgen des Minisymposiums wurden Anwendungsfelder und -beispiele der Modellreduktion vorgestellt und beleuchtet. ATR präsentierte hier Anwendungsideen aus dem Bereich der Produktionsplanung und der Industrie 4.0. Auch hier ist das Thema Modellreduktion wichtig, um in Echtzeit Berechnungen durchführen zu können.

Plenumsvorträge von den Koryphäen des wissenschaftlichen Rechnens

Neben den Minisymposien gab es 6 Plenary Lectures, welche vor allen Anwesenden gehalten wurden. Hier trug unter anderem Thomas J.R. Hughes, einer der führenden und einflussreichsten Wissenschaftler im Bereich der numerischen Mathematik vor. Zudem gab es Vorträge von George Karniadakis, Experte für Physics-informed Neural Networks, also Neuronale Netze, die physikalische Gleichungen berücksichtigen können, Pål G. Bergan, David Keyes, Annalisa Buffa und Paul Steinmann.

Sightseeing in Oslo

Die ganze Veranstaltung fand im Kongresszentrum Nova Spektrum in Lillestrøm, einem Vorort von Oslo, statt. Abgerundet wurde die Konferenz durch ein Conference Dinner, bei dem typisch für die norwegische Küche, Lachs und Wild serviert wurden.

Da Anfang Juli die Tage in Oslo bedingt durch die nördliche Lage, fast 19 Stunden lang sind, blieb noch einige Zeit, die Stadt Oslo zu erkunden. Zu den Highlights gehören hier das königliche Schloss, das Opernhaus im Hafen, der Osloer Dom sowie der Frognerpark.

Prototyping mit dem 3D-Drucker

in Expertenwissen, Forschungsprojekt MeMoRob, News/von Julian

Druckkopf trägt die erste Schicht der Stützen für das 3D-Modell auf das Bett auf.

Der Druckkopf trägt die erste Schicht des Supports für den Prototypen auf das Druckbett auf.

Für den Drucker kann eine Vielzahl von unterschiedlichen Materialien verwendet werden, die unterschiedlichste Materialeigenschaften und Farben besitzen. Das gängigste Material PLA (Polyactic acid) wird aus nachwachsenden Rohstoffen wie zum Beispiel Mais gewonnen und ist biologisch abbaubar. Somit werden keine fossilen Rohstoffe benötigt.

Die für das Prototyping benötigten 3D-Modelle können entweder von einer Online-Plattform stammen oder mittels CAD Software selbst erstellt werden. Aus diesem Modell können dann mithilfe von Open-Source-Software Druckanweisungen erstellt werden, die der Drucker nacheinander ausführt. Die Daten können hierbei einfach auf einer SD-Karte gespeichert werden. Die Bedienung erfolgt über einen Touchscreen. Zudem besteht die Möglichkeit, den Drucker über eine USB-Schnittstelle anzusprechen und zu überwachen.

In den vergangenen Monaten fand der 3D-Drucker schon bei einigen Projekten Anwendung, so wurde beispielsweise eine Kamerahalterung für das Forschungsprojekt MeMoRob angefertigt. Zudem wird der Drucker genutzt, um im Rahmen der Promotion zu dem Thema Digitale Zwillinge Testobjekte zu drucken, mit denen Daten zu Müdigkeitsbrüchen gewonnen werden.

Neben der Anwendung innerhalb der Unternehmensprojekte, steht der Drucker auch allen Mitarbeitern zur privaten Nutzung zur Verfügung. So können zum Beispiel Ersatzteile oder Halterungen für Alltagsgegenstände einfach selbst angefertigt werden.

Mit dem Retrofit zur innovativen Produktion

in Expertenwissen, News/von Petra

Bei der Industrie 4.0 dreht sich alles um die Vernetzung von Menschen, Maschinen und Produkten. Dreh- und Angelpunkt bei der Modernisierung für das Internet of Things (IoT) sind die Betriebsdaten der Maschinen, die möglichst exakt erfasst und ausgewertet werden müssen. Aber vor allem für KMUs wirkt das häufig wie eine Herkulesaufgabe. Weshalb sie solchen Modernisierungen oftmals mit Skepsis gegenüberstehen. Denn reibungslos funktionierende Anlagen sind ein wesentlicher Faktor der Produktivität eines Unternehmens. Aber es muss nicht immer die zeit- und kostenintensive Anschaffung einer neuen Anlage sein. Die Retrofit-Methode ist eine interessante Alternative dazu. Auch wenn sie kein Allheilmittel darstellt, besitzt sie ein bemerkenswertes Potenzial.

Verschiedene moderne Anschlüsse auf der Rückseite eines Gerätes in denen zum Teil Kabel stecken. Als Symbol für die Vernetzung innovativer Feritgungen mit Hilfe eines Retrofits.

Aber was genau ist denn nun ein Retrofit?

Der Begriff Retrofit setzt sich aus dem lateinischen Retro (rückwärts) und dem englischen to fit (anpassen) zusammen. Die Bezeichnung Retro ist auch im allgemeinen Sprachgebrauch bekannt und steht für einen Bezug zur Vergangenheit. Wenn es heißt, dass in der diesjährigen Sommermode Retromuster wieder angesagt sind, wissen wir alle, dass ein bereits vergangener Trend wieder auf dem Vormarsch ist.

Auch bei einem Retrofit geht es um etwas aus der Vergangenheit, das wieder zeitgemäß wird: Eine Anlage oder Maschine wird durch neue Bauteile, die in einem späteren Teil des Artikels näher beschrieben werden, wieder an die derzeitigen technischen Verhältnisse angepasst. Denn die Mechanik veraltet trotz langjähriger Verwendung kaum. Somit eignet sie sich als Grundlage für eine Modernisierung mit Hilfe aktueller Informations- und Kommunikationstechnik. Auf diese Weise entsteht im Idealfall eine nahtlose Verschmelzung der geschätzten Bestandsanlagen und innovativer Industrietechnik, so dass die modernisierten Anlagen in digitale Fertigungssysteme und Abläufe integrierbar sind. Durch Retrofitting werden vorhandene Maschinen fit für die Digitalisierung, und der erste Schritt in Richtung mehr Flexibilität und Vernetzung ist durch die Einbindung in moderne IT-Systeme getan. Außerdem können so digitale Prozesse wie ein Dashboard zur Visualisierung der Daten, die Automatisierung der Produktion oder Predictive Maintenance unterstützt werden.

Vorteile eines digitalen Retrofits

Die Kosten sind geringer als bei einer Neuanschaffung
Verlängerung der Lebensdauer der Anlagen
Gewohnte Arbeitsweisen an den Maschinen können beibehalten werden
Zeit- und kostenaufwändige Schulungen der Mitarbeiter entfallen
Umbauten in der Produktionshalle oder Erweiterungen des Platzangebots sind
bei dieser Methode nicht notwendig
Erfüllung aktueller gesetzlicher Vorgaben oder Sicherheitsbestimmungen
höhere Produktivität und Produktqualität
Senkung von Produktionskosten
bessere Energieeffizienz
Steigerung der Effizienz der Anlagen
Transparente Maschinendaten und Prozesse

Was wird für einen digitalen Retrofit benötigt?

Um einen Maschinenpark an die Anforderungen der Industrie 4.0 anzupassen, sind verschiedene Komponenten notwendig. Denn der digitale Retrofit setzt neue Hard- und Software aus den Bereichen Sensorik, Informations- und Kommunikationstechnik voraus.

Die Informations- und Kommunikationstechnik sorgt für die Vernetzung der Anlagen untereinander und mit den steuernden oder überwachenden Systemen. Während an den Maschinen angebrachte Sensoren unterschiedliche Abläufe überwachen und diverse physikalische Größen wie zum Beispiel die Temperatur oder den Druck messen. Durch die Vernetzung der Sensoren stehen die erfassten Messwerte für die weiterverarbeitende Software zur Vefügung.

Das Mittel zum Zweck bei einem Retrofit ist ein Bindeglied zwischen Maschine und Netzwerk – wie das IoT Gateway von ATR Software. Denn es ermöglicht einen einfachen Zugang zu den Daten der Produktionsanlagen. Außerdem steigert eine Nachbehandlung des gewonnenen Datenmaterials seine Qualität, sodass wertvolle Informationen für nachgelagerte Prozesse, wie zum Beispiel Maschine Learning zur Verfügung gestellt werden. Eine integrierte Alarmierung sowie die Weitergabe an ein MES, zum Beispiel dem InnoMES von ATR Software, runden das Gesamtpaket ab.

Thermische Kalibrierung mit Waffeln

in Expertenwissen, Forschung, News/von Matthias

Das Software-Modul „Data Analytics” der ATR-Softwareplattform umfasst eine Vielzahl von Methoden und Lösungen zur Verarbeitung und Aufbereitung von Daten, die aus verschiedensten Bereichen erhoben werden. Zuletzt entwickelten wir in diesem Bereich eine Kalibrierungssoftware für eine Wärmebildkamera. Zur Unterstützung des Entwicklungsprozesses und Verifizierung der Ergebnisse wurde folgender auf den ersten Blick etwas ungewöhnliche Versuchsaufbau vorgenommen:

In manchen Produktionsschritten ist es nötig, die Temperaturen einer Oberfläche exakt zu bestimmen, um diese anschließend auswerten oder durch Heizen und Kühlen an gezielten Stellen anpassen zu können. Hierfür kann eine Infrarot(IR)-Kamera verwendet werden. Diese Kamera liefert ein Wärmebild, in dem die Temperaturen der aufgezeichneten Oberfläche angezeigt werden. IR-Kameras weißen jedoch Ungenauigkeiten auf, die dafür sorgen, dass die angezeigten Werte für manche Anforderungen nicht präzise genug sind.

Zur Kalibrierung und dem damit verbundenen Ausgleich von Ungenauigkeiten einer IR-Kamera kann ein Pyrometer verwendet werden. Denn ein Pyrometer ist ein Sensor, der für einen einzelnen Punkt die Temperatur extrem genau bestimmen kann.

Nahaufnahme der IR Kamera mit darüber befestigtem Pyrometer. — *Nahaufnahme der IR Kamera mit darüber befestigtem Pyrometer*

Das Pyrometer wird hierzu auf einen Punkt ausgerichtet, der im Bild der IR-Kamera ebenfalls zu sehen ist. Danach wird die Abweichung zwischen der an dieser Stelle gemessenen Temperatur im IR-Bild mit dem genaueren Wert des Pyrometers bestimmt. Diese Abweichung wird dann zur Berechnung einer Korrektur verwendet. Anhand dieser Berechnung kann anschließend die Genauigkeit des gesamten IR-Bildes optimiert werden.

Zur Bestimmung der Korrekturfunktion führten wir eine umfangreiche Versuchsreihe durch. Das Ziel dabei war es, die Größenordnung der Ungenauigkeiten zu bestimmen und herauszufinden, wie sie sich diese Ungenauigkeiten bei unterschiedlich hohen Temperaturen verhalten.

Das Waffeleisen diente uns hierbei als Oberfläche im Versuchsaufbau, weil damit verschiedene, teilweise sehr hohe Temperaturen von über 200 °C erreicht werden können. Dafür platzierten wir die Heizfläche des Gerätes vor der IR-Kamera und richteten anschließend das Pyrometer darauf aus.

*Lokalisieren des Messpunktes des Pyrometers anhand der Temperaturunterschiede zwischen Finger und Waffeleisen*

Danach heizten wir das Waffeleisen maximal auf. Bei einer Temperatur von ca. 210 °C laut Pyrometer überprüften wir, wie hoch die gemessene Temperatur an dieser Stelle im IR-Bild ist. Anschließend schalteten wir das Waffeleisen ab und hielten beim Abkühlen in 10 °C Schritten jeweils die Abweichung zwischen Pyrometer und IR-Bild fest.

Angleichen einer Funktion an den Verlauf der Gemessenen Werte gezeigt mit Hilfe eines Graphen, der die Ergebnisse zeigt. — *Angleichen einer Funktion an den Verlauf der Gemessenen Werte*

Mittels dieser Messergebnisse bestimmten wir eine Funktion, die das Verhalten der Kamera in Relation zum Pyrometer bei unterschiedlichen Temperaturen beschreibt. Auf Basis dieser Erkenntnisse konnten wir dann einen exakten Kalibriervorgang für die IR-Kamera mithilfe des Pyrometers umsetzen und testen.

Als netter Nebeneffekt wurden bei dem Versuch noch Waffeln für die Kollegen produziert!

Gallerie

Auswerten der Infrarot Aufnahme des Waffeleisens bei der Thermischen Kalibrierung — *Auswerten der Infrarot Aufnahme des Waffeleisens*

Unterschied zwischen Pyrometertemperatur und Temperatur im Infrarot Bild am Messpunkt während der Thermische Kalibrierung — *Auswerten der Infrarot Aufnahme des Waffeleisens*

Resiliente Produktionsplanung und -steuerung durch den Einsatz von Künstlicher Intelligenz (KI)

in Expertenwissen, Forschung, Forschungsprojekt ProsKI, News/von Petra

Leiterplatte eines Computers als Hintergrund. Mittig im Vordergrund ein stilisiertes Gehirn, das für das KI-Modul des Forschungsprojektes ProsKI steht.

Gemeinsam mit mehreren Forschungseinrichtungen und Industriepartnern ist ATR Software an dem Forschungsprojekt ProsKI – Resiliente Produktionsplanung und -steuerung durch den Einsatz von künstlicher Intelligenz (KI) beteiligt. Initiiert wird das Projekt von dem Bayerischen Verbundforschungsprogramm (BayVFP) des Freistaates Bayern.

Das Forschungsprojekt hat folgendes Ziel: Für bestehende und zukünftige Produktionssysteme wird ein flexibel integrierbares KI-Modul für resiliente Produktionsplanungs- und -steuerungssysteme entwickelt. Dabei bildet das Modul durch KI-Methoden ein Assistenzsystem für das Störmanagement innovativer Fertigungen. Basierend auf realen Produktionsdaten wird eine Methodik entwickelt, die zum einen im Fehlerfall den Bediener in seiner Entscheidungsfindung im Umgang mit der aufgetretenen Störung unterstützt. Zum anderen mit Hilfe des entwickelten Moduls nicht nur auf Ereignisse reagieren kann, sondern anhand der vorliegenden Produktionsdaten auch zukünftige Störfälle durch Wissensaufbau prognostiziert und in der Produktionsprogrammplanung genutzt werden kann.

ATR Software entwickelt in Zusammenarbeit mit dem Lehrstuhl für Organic Computing (OC) der Universität Augsburg die KI-Methodik für das Störmanagement und das Prognosemodell für zukünftige Produktionsprogramme. Hierzu zählt der Datenaustausch zwischen den Anlagen auf Produktionsebene und dem übergeordneten IT-System. Zudem wird die Datenvorbereitung für die KI-Methoden entwickelt und die Anbindung der daraus resultierenden Daten für das Planungssystem erforscht.

Das KI-Modul soll in Verbindung mit dem eigenen Produkt InnoMES getestet werden. InnoMES ist eine innovative MES-Lösung, die gemeinsam mit einem Leitsystem, dem IoT Gateway, dem Modul Data Analytics und dem Modul Computer Vision die ATR Software-Plattform für produzierende Unternehmen bildet.

Für weitere Informationen stehen wir Ihnen gerne zur Verfügung.

Mensch und mobiler Roboter in einer Arbeitsumgebung

in Expertenwissen, Forschung, Forschungsprojekt MeMoRob, News/von Petra

Arm eines Roboters und menschlicher Arm, die zweiZahnräder einanderhalten. Symbolisiert Mensch und mobilen Roboter in einer Arbeitsumgebung.

Gemeinsam mit der FuE-Einrichtung Fraunhofer IGCV und mehreren Industriepartnern ist ATR Software an dem Forschungsprojekt MeMoRob – Mensch und mobiler Roboter in einer Arbeitsumgebung beteiligt. Das Forschungsprojekt wird vom FuE-Programm „Informations- und Kommunikationstechnik“ des Freistaates Bayern gefördert.

Mobile Robotersysteme bieten das Potenzial für eine flexible Automatisierung, finden bisher jedoch wenig Anwendung. Für den flexiblen Einsatz in der Produktion bedarf es an intelligenten Greifstrategien und Interaktionsfähigkeiten des Roboters, sodass Menschen mit ihm kommunizieren können. Beide Bereiche sind Ziele des Projekts MeMoRob.

Des Weiteren können Mensch und Roboter als Partner fungieren und sich im Rahmen einer Mensch-Roboter-Kooperation gegenseitig unterstützen. In diesem Fall werden die Interaktionsfähigkeiten dazu verwendet, dem Menschen Informationen über den Zustand des Robotersystems mitzuteilen. Zur Erreichung der übergeordneten Ziele werden als Teilziele die Mensch- und Objektdetektion betrachtet. Bei der Objektdetektion wird insbesondere die praktische Anwendbarkeit durch Verringerung des Trainingsaufwands fokussiert.

Die ATR Software beschäftigt sich bei diesem Projekt mit den Themen der Robot Vision und den Algorithmen zum Greifen. Damit soll es ermöglicht werden, die zu greifenden Objekte zu detektieren und an den richtigen Stellen zu greifen.

Für weitere Informationen stehen wir Ihnen gerne zur Verfügung.

Gutes Holz, schlechtes Holz?

in Expertenwissen, Forschung, Forschungsprojekt FrIDAH, News/von Johannes

Klassifikation der Holzgüte mit künstlicher Intelligenz und Fluoreszenzlebensdauer

Hintergrund

Holz ist weltweit einer der wichtigsten nachwachsenden Rohstoffe. Durch Fotosynthese entzieht es der Atmosphäre das Treibhausgas CO2 und leistet einen wichtigen Beitrag zum Klimaschutz. Holz ist wesentlicher und wertvoller Bestandteil unseres Wertstoffreislaufs. In Recycling-Anlagen kann Holz entsprechend seiner Güte als Baustoff weiterverwertet oder falls keine weitere Nutzung sinnvoll erscheint – verbrannt werden.

Die Altholzverordnung kennt dabei vier Güteklassen:

AI Unbehandeltes Holz
AII Geringfügig oberflächlich behandeltes Holz
AIII Oberflächlich behandeltes Holz
AIV Schadstoffversetztes Holz

Stand heute werden die Holzmassen durch visuelle Inspektion erfahrener Mitarbeiter händisch sortiert. Die Sortierung erfolgt dabei konservativ, das heißt im Zweifel ordnen die Mitarbeiter das Holz in eine geringwertigere Klasse ein. Zudem können mit bloßem Auge Verunreinigungen und Kontaminationen im Holzinnern nicht erkannt werden. Weil sie zu divers und nicht eindeutig sind, bleiben dadurch große Massen im Materialstrom gänzlich unsortiert.

Die Idee der Sortierung mit KI und Fluoreszenz

Hier kommt die Fluoreszenzlebensdauer ins Spiel. Fluores…was? Die Fluoreszenslebensdauer wird auch Fluoreszenzabklingzeit genannt. Sie gibt die durchschnittliche Zeit an, die ein Molekül bei der Fluoreszenz im angeregten Zustand bleibt, bevor es in den Grundzustand zurückkehrt. Fluoreszenz bezeichnet dabei die Fähigkeit mancher Moleküle, Licht bei einer bestimmten Wellenlänge zu absorbieren. Fluoreszenzlebensdauern sind sehr kurz. Sie bewegen sich im Bereich von Nanosekunden oder wissenschaftlich formuliert: Zwischen 10^-9 und 10^-7Sekunden.

Nun wäre es schön, wenn eine Holzgüte immer die gleiche Fluoreszenzabklingzeit hat und man einen Schwellwert einfügt, im Sinne von: Wenn Abklingzeit größer Schwellwert, dann Holzgüte AI sonst nicht. Das ist aber in der Realität nicht der Fall. Ein Stück Holz hat verschiedene Abklingzeiten, die von vielen Parametern abhängen. Zum Beispiel von der Wellenlänge, die für die Anregung genommen wird, und der Stelle am Holz, an der gemessen wird. Außerdem von den verwendeten Filtern und dem Messabstand zum Holzstück. Diese Parameter könnte man nun fixieren, aber: Die Kamera liefert nicht eine Fluoreszenzlebensdauer pro Stück Holz und Messung, sondern über eine Million.

Dies ergibt eine Verteilung von Fluoreszenzlebensdauern, welche mit wissenschaftlichen Methoden und Tools aus der Data Science und künstlicher Intelligenz analysiert und klassifiziert werden kann. Wenn sich die Verteilungen der Fluoreszenzlebensdauern zwischen den Holzgüten unterscheiden, dann kann sie die KI erkennen und klassifizieren. Ob und wie gut das möglich ist, soll im Rahmen des Forschungsprojektes FrIDAh (Fluoreszenz-ID von Altholz) erforscht und erprobt werden.

Wir von ATR Software sind Teil des Forschungsprojektes und unterstützen die Projektpartner hierbei mit unserer Expertise in Software-Engineering, Data Science und Künstlicher Intelligenz. Das Endziel dieses Projekts ist der Bau eines Roboters, der mithilfe unserer KI das gute Holz vom Schlechten unterscheiden kann. Perspektivisch soll damit der Sortiervorgang automatisiert werden.

Serviceroboter im Einsatz

in Expertenwissen, News/von Burkhard

Im Rahmen des Arbeitskreises Industrie 4.0 stellten Wissenschaftler der Universität Ulm ihre Forschung zu Servicerobotern vor. Anschauungsobjekt ist ein humanoider Roboter namens Pepper (siehe Foto). Pepper ist ca. 1,20m groß, hat überdimensional große Augen, die auch als Kameras fungieren, und bewegt sich sehr mechanisch. Die Entwickler wollten mit diesem Entwurf einen Roboter konstruieren, der menschlich ist, und doch nicht zu menschlich, um den Benutzern keinen Schrecken einzujagen. Bisher wird Pepper vor allem im Service benutzt, zum Beipiel bei Kreuzfahrten oder im Supermarkt.

Die Forscher setzten Pepper nun bei einem Optiker ein. Hierfür scannte Pepper zuerst das Gesicht des Kunden und empfahl ihm eine Brillenform. Der Kunde konnte anschließend über das, im Körper des Roboters integrierte Terminal, weitere Entscheidungen treffen. Abschließend durchsuchte der Roboter eine Bilderdatenbank und zeigte dem Probanden prominente Brillenträger mit einem ähnlichen Gesicht zur Inspiration.

Werden Serviceroboter in Zukunft auch bei Wartungsarbeiten unterstützen? In bisherigen Lösungsansätzen werden Wartungsmitarbeiter vor allem mit Hilfe von Datenbrillen von Empfehlungssystemen unterstützt. Die Übertragung dieser Funktionalität wäre technisch ein Leichtes. Die Frage, ob wir Pepper oder artverwandte Roboter, in Zukunft in der industriellen Produktion sehen werden, hängt stark von der Akzeptanz der Benutzer ab. Die aktuellen Anzeichen hierfür stehen, unserer Meinung nach, schlecht. Als intelligente Begrüßungsstation in Hotels hat Pepper sich aber jetzt schon seine Berechtigung gesichert.