如何使用应用程序识别组件

长期以来，AI方法已成功用于图像处理中，并取得了巨大的成功。神经网络比人类更准确地识别日常物体。弗劳恩霍夫生产系统和设计技术研究所IPK的研究团队利用了这些功能，并修改了算法以用于工业应用。例如，一个应用程序可以在几秒钟内明确识别没有条形码的各个组件。神经网络的潜力将特别有利于物流公司，后者可以利用它们来加快进货流程。

公司越来越多地与多个供应公司合作，在不同的地点生产商品。不能保证接收到的所有组件都标有条形码或铭牌，这意味着经常需要在接收区域中对对象进行重新分类。然后，员工必须手动在目录中搜索相似的零件，以明确标识它们以进行进一步的物流处理，这是一项艰巨且耗时的任务。自动化的数字化识别将有助于加快这一过程。柏林Fraunhofer IPK的研究人员正在研究这项任务-应用机器学习方法。他们使用所谓的卷积神经网络 (CNN)识别制造的组件，例如螺钉，夹具，喷嘴，管道，管子和电缆，以及微控制器和其他电子设备。

生成工业过程的培训数据

“神经网络已经成为图像处理的标准。可靠地识别出1000个日常物体需要一百万个图像，这些网络才能用作训练数据。我们的工作是生成即使在数据很少的情况下也适用于工业应用的算法，因此，在这种情况下，可以自动识别没有代码的组件，从而减轻了接收人员的负担，我们的目标是使该算法能够轻松地区分甚至是高度相似的物体，例如相同标准但尺寸不同的螺钉或涡轮增压器。不同的生产系列。”

Fraunhofer IPK的研究员。“我们使用专门开发的算法将搜索半径限制为五个或十个对象，因此员工不再需要搜索通常在大型仓库中发现的整个范围。”

为了实现这一目标，Lehr和他的同事在德国联邦经济和能源部(BMWi)资助的项目中开发了一种名为Logic.Cube的检测系统。最大边缘长度为40厘米的待识别对象被放置在具有集成刻度的立方体形设备中，并由最多9个摄像机拍摄。图像处理算法会测量对象的高度，宽度和长度，以计算所需的盒子或架子空间的大小。同时，生成的图像集和材料编号一起存储在数据库中。该图像数据用于训练AI算法，以使其能够识别各种不同的成分。