Herr Paintner, können Sie bitte kurz den Status quo bei heutigen Bildverarbeitungslösungen skizzieren?

Michael Paintner: Bildverarbeitung war über viele Jahre hinweg eine Domäne der Spezialisten: Von der Kameratechnik über die Beleuchtung bis zur Datenübertragung auf spezialisierte Hardware war die Technik komplex. Dann mussten die großen Datenmengen auch noch ausgewertet werden – eine anspruchsvolle Aufgabe für Softwareentwickler, deren Algorithmen in erster Linie sehr schnell sein mussten. Dabei sollen die Systeme im Endeffekt – etwa in der Qualitätssicherung – oft nur ein einfaches Signal ausgeben, ob das aktuelle Teil in Ordnung ist (Pass/Fail Information).

Doch durch die komplexen Technologiestacks und vor allem durch den hohen Engineering-Aufwand waren solche Lösungen häufig sehr teuer. Inzwischen ist die Hardware deutlich günstiger geworden – das Engineering hingegen ist oft immer noch sehr aufwendig. An dieser Stelle legen wir einen unserer Schwerpunkte, um die Komplexität für den Kunden zu verringern.

Warum spielt das Thema Nutzerfreundlichkeit gerade im Bereich Machine Vision eine große Rolle?

Wie erfolgreich eine hohe Nutzerfreundlichkeit sein kann, lässt sich exemplarisch an den Smartphones erkennen, die aus unserem täglichen Leben kaum mehr wegzudenken sind. Konfiguration und Bedienung sind inzwischen so einfach geworden, dass sie durch praktisch jeden Nutzer einfach zu erledigen sind. Und genau dies ist der Ansatz, den wir auch in der Bildverarbeitung verfolgen: Anwender müssen keine Experten in Machine Vision sein und auch keine Programmierkenntnisse haben!

Aus unserer Historie als Sensorhersteller heraus versuchen wir, dass sich unsere Bildverarbeitungslösung so einfach konfigurieren und bedienen lassen wie ein klassischer Sensor.

Vision-Sensoren gelten ja per se schon als deutlich einfacher in der Anwendung als Kameras. Welche Lösungen bietet ifm diesbezüglich?

Wir verfolgen schon seit vielen Jahren den Ansatz der smarten Vision-Sensoren. Dabei ist es unerheblich, ob es sich um einen Laserlinienscanner wie den neuen ‚Profiler‘, die ‚Dualis‘-Serie für Code-, Blob- und Konturerkennung oder um eine 3D-Kamera der Baureihe ‚O3D‘ handelt, die zu jedem Bildpunkt einen Abstandswert ermittelt – in allen Fällen sind eine intuitive und schnelle Konfiguration sowie Inbetriebnahme einer Anwendung die wichtigsten Ziele. Auf diese Weise lassen sich Bildverarbeitungslösungen in immer neuen Bereichen skalieren. Und dies wird es in Zukunft auch ermöglichen, in Anwendungen mit autonomen mobilen Maschinen weiter voranzukommen – in diesem Bereich werden wir im Laufe des Jahres neue Lösungen anbieten.

Wie schaffen Sie es, auch bei Einrichtung und Auswertung der aufgenommenen Bilder keine Spezialisten in Sachen Bildverarbeitung beim Anwender vorauszusetzen?

Der Schlüssel liegt in der Software: Unser ‚Vision-Assistant‘ lässt sich einfach und intuitiv bedienen, auch ohne detailliertes Bildverarbeitungs-Know-how. Beim neuen ‚Dualis‘ beispielsweise haben wir alle gängigen Anwendungen aus der Inline-Qualitätskontrolle, aber auch Automatisierungsaufgaben wie Roboterführung über Koordinaten schon in der Software abgebildet. Die entsprechenden Bildverarbeitungsalgorithmen sind fertig programmiert und direkt verwendbar. Der Nutzer muss nur noch die für seinen Fall passende Anwendung auswählen und konfigurieren – komplett ohne Programmieraufwand. Von der Einstellung der Beleuchtung und Fokussierung bis zur Ausgabe des Ergebnisses lässt sich die Anwendung mit wenigen Klicks in Betrieb nehmen und überprüfen.

Und wohin geht die Reise weiter?

Der Interviewpartner: Michael Paintner, ifm „Anwender müssen keine Experten in Machine Vision sein und auch keine Programmierkenntnisse haben!“

© ifm

Die Plattform für autonome mobile Maschinen, die wir im Laufe des Jahres auf den Markt bringen, habe ich ja bereits erwähnt.

Ein weiterer Schwerpunkt wird der Einsatz von Künstlicher Intelligenz und Deep Learning sein. Ein gutes Beispiel dafür, was in diesem Bereich möglich ist, zeigt unser Werker-Assistenzsystem ‚ifm mate‘. Dieses Werker-Assistenz-system basiert auf der Erkennung der menschlichen Hand in einem Live-Bild. Eine Aufgabe, die extrem anspruchsvoll ist und sich deutlich von der herkömmlichen Muster- oder Konturerkennung, wie sie in klassischen Bildverarbeitungslösungen Verwendung findet, unterscheidet. Denn: Eine Hand kann zur Faust geballt sein, sie kann mit der Handfläche nach oben oder nach unten gerichtet sein, die Finger können alle oder einzeln ausgestreckt, abgewinkelt oder gespreizt sein – und in allen Fällen muss das System die Hand sicher in Echtzeit identifizieren können.

Wir verwenden zur Lösung dieser Aufgabe eine leistungsfähige Deep-Learning-Technologie. Bei dieser Methode der Künstlichen Intelligenz lernt ein neuronales Netz selbsttätig durch Erfahrung. Das System wurde dazu so lange mit Aufnahmen von Händen trainiert, bis die Identifizierung zuverlässig funktionierte. Auch hier setzen wir wieder auf Systeme, die der Anwender ohne Vorkenntnisse in wenigen Minuten in Betrieb nehmen kann. Und diesen Ansatz werden wir auch in Zukunft beibehalten.