MVTec präsentiert neues Deep-Learning-Feature Continual Learning in HALCON 25.11
Produktionsprozesse permanent im Wandel
„Ändern sich bestimmte Parameter in der Produktion, müssen Deep-Learning-basierte Machine-Vision-Anwendungen nachtrainiert werden. Nur so lassen sich weiterhin robuste Erkennungsraten erzielen. Allerdings gestaltete sich dieser Schritt bislang sehr komplex und zeitintensiv. Mit Continual Learning bieten wir in HALCON 25.11 nun erstmalig ein Feature, mit dem wir den Aufwand für das Nachtraining von Klassifikationsmodellen signifikant verringern können“, erklärt Jan Gärtner, Product Manager HALCON bei MVTec.
Gründe für Modifikationen in den Prozessen produzierender Unternehmen können unterschiedlichster Natur sein: Häufig ändern sich die Lichtverhältnisse, wenn eine neue Beleuchtung installiert, die Produktionslinie erweitert oder an einen anderen Ort verlegt wird. Auch zugelieferte Teile und vormontierte Baugruppen weisen im Laufe der Zeit oft eine gewisse Varianz auf. Dies kann sich beispielsweise in der Farbe oder der Beschaffenheit von Material und Oberfläche ausdrücken. Typischerweise kommt es bei einem Lieferantenwechsel zu solchen Abweichungen. Die veränderten Bedingungen sind vor allem auch für die Qualitätskontrolle relevant: Selbst bei geringfügig variierenden Teilen kann die Erkennung von Fehlern stark beeinträchtigt werden. Zum Tragen kommt dies etwa dann, wenn neue Produktklassen hinzugefügt werden oder wenn komplett neue Typen von Anomalien auftreten.
Schnell, einfach und effizient: Nachtraining mit Continual Learning
Diese Herausforderung löst Continual Learning: Mit der Technologie lassen sich bestehende Klassifikationsmodelle schnell und einfach nachtrainieren und somit flexibel an neue Anforderungen in industriellen Produktionsumgebungen anpassen. Hierfür werden in der Regel nicht mehr als fünf bis zehn Bilder benötigt, was den Aufwand und die Kosten auf ein Minimum reduziert. Ein weiterer Vorteil: Continual Learning ist resistent gegenüber dem sogenannten „katastrophalen Vergessen“. Dies bedeutet, dass das neuronale Netz während des Nachtrainings die ursprünglich gelernten Klassen und Eigenschaften eines bereits trainierten Modells auch weiterhin korrekt erkennen kann.
Hinzu kommt, dass Continual Learning für die Ausführung des Nachtrainings anstatt einer teuren GPU lediglich eine reguläre Standard-CPU benötigt. Dadurch ist die Lösung auch für Embedded- und Edge-Umgebungen wie Smart Kameras und Sensoren optimal geeignet. Dabei lassen sich nicht nur bestehende Klassen anpassen, sondern auch neue Klassen ohne vollständiges Retraining zu einem Modell hinzufügen. Und schließlich gestaltet sich das Nachtraining mit Continual Learning so einfach, dass es auch Anwender ohne tiefgehendes Bildverarbeitungs-Know-how durchführen können.
Nutzungshinweise & Urheberrecht
Alle Rechte vorbehalten, Copyright © MVTec Software GmbH. Sämtliches Bild- und Textmaterial darf ausschließlich für die Presseberichterstattung honorarfrei verwendet werden. Jegliche Art der kommerziellen Nutzung des Materials neben der Presseberichterstattung ist untersagt.
Wir freuen uns über die Zusendung eines Belegexemplars.