- Titel
- Implementierung von Convolutional Neural Networks zur echtzeitfähigen Bildklassifizierung auf konventionellen Industriesteuerungen
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:l189-qucosa2-839536
- Konferenz
- 19. AALE-Konferenz. Luxemburg, 08.03.-10.03.2023
- Quellenangabe
- Tagungsband AALE 2023
Herausgeber: Hochschule für Technik, Wirtschaft und Kultur Leipzig
Erscheinungsort: Luxemburg
Erscheinungsjahr: 2023
ISBN: 978-3-910103-01-6 - Erstveröffentlichung
- 2023
- DOI
- https://doi.org/10.33968/2023.22
- Abstract (DE)
- Eine individualisierte Produktion wird benötigt, um Produkte einer Losgröße von bis zu 1 zu niedrigen Kosten herstellen zu können. Damit für jedes Werkstück die individuellen Fertigungsschritte ausgeführt werden, müssen die Werkstücke vorher klassifiziert werden. RFID-Tags oder Barcodes können im Produktionszyklus beschädigt oder verdeckt werden und Bildanalyse-Methoden durch Maschine Vision benötigen bei der Implementierung viel Zeit und Expertenwissen. Bei komplexen Problemen kann Maschinelles Lernen (ML) für die Klassifizierung von Werkstücken eingesetzt werden. Hierbei erzielen besonders Modelle der Convolutional Neural Networks (CNNs) hohe Klassifikationsgenauigkeiten. Sie erfordern jedoch einen höheren Rechenaufwand, was die Ausführung von CNNs in Echtzeit in einer SPS-Laufzeitumgebung deutlich erschwert. In dieser Arbeit wird ein Ansatz vorgestellt, mit dem es möglich ist, rechenintensive CNNs für die Bilderkennung in Echtzeit und in Koordination mit Maschinen- und Bewegungssteuerungsaufgaben einzusetzen. Innerhalb eines produktionsnahen Anwendungsbeispiels werden CNNs in eine SPS-Laufzeitumgebung auf einer Soft-SPS eingesetzt. Die Ausführungszeiten sowie die erreichten Genauigkeiten der CNNs werden gemessen. Die Ergebnisse zeigen, dass die CNNs in der Lage sind, die Werkstücke im Produktionssystem zuverlässig zu klassifizieren und konkurrenzfähige Ausführungszeiten in Hinblick auf weniger rechenintensive Multilayer Perceptrons erreichen.
- Freie Schlagwörter (DE)
- Maschinelles Lernen, Individualisierte Produktion
- Freie Schlagwörter (EN)
- Convolutional Neuronal Networks
- Herausgeber (Institution)
- Hochschule für Technik, Wirtschaft und Kultur Leipzig, Leipzig
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:l189-qucosa2-839536
- Veröffentlichungsdatum Qucosa
- 03.03.2023
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
CC BY-ND 4.0