Liegt das Netz falsch, entspricht also der Output nicht dem, was im Datensatz erwartet wird, wird das Netz bestraft. Als besonders hilfreich erweist sich dabei die Plastizität der neuronalen Netze: Wie im menschlichen Gehirn passen sich die Verbindungen zwischen den Neuronen an, je häufiger das Netz eine bestimmte Information verarbeitet. Kurzum: Das Netz lernt die gewünschte Ausgabe durch viele Beispiele.
Entsprechend hoch ist die Bildmenge, mit der die Netze trainiert werden: Bis zu 8.000 Bilder erstellt der Generator für das Objekterkennungsnetz. Bei der Generierung des Datensatzes stehen bestimmte Abstände zwischen Kamera und Produkt und eine einheitliche Einstellung der Kameraobjektive im Vordergrund. Diese lassen sich in kurzer Zeit einfach und intuitiv über das ebenfalls von Schubert entwickelte User-Interface definieren.
Experten können auch generelle Netze für bestimmte Kategorien trainieren. Der Generator erstellt automatisch 3D-Modelle von Flaschen mit unterschiedlichen Formen, Größen und Materialien und erzeugt daraus einen Datensatz für die Kategorie Flasche. Mit diesem Datensatz werden die neuronalen Netze trainiert und können anschließend ohne weitere Bearbeitung bei Kunden für verschiedene Flaschen eingesetzt werden. So erkennen die Netze auch Objekte, die beim Training noch nicht Teil des Datensatzes waren und decken Varianten zuverlässig zusätzlich ab.
Nahtlose Abfolge
Bei Schubert sorgt ein vollautomatisierter Prozess dafür, dass Training und Einsatz der neuronalen Netze am Roboter möglichst zeitsparend erfolgen, denn Anwender aus unterschiedlichen Branchen verlangen schnell einsetzbare Lösungen. Der Datengenerator berücksichtigt alle relevanten branchenspezifischen Anforderungen, sodass alle in der Verpackungsbranche geläufigen Parameter vollständig und effizient eingefügt und parametrisiert werden können. Ist die Datengenerierung abgeschlossen, startet das Training automatisch und die Netze lassen sich sofort direkt am Roboter einsetzen. Der Vorteil des KI-basierten Vision-Systems: Datensätze und neuronale Netze werden parallel im Labor generiert bzw. trainiert. So sparen Hersteller und Abnehmer weiterhin wertvolle Zeit und können ihre Robotik guten Gewissens einsetzen.
