Neueste Technologien

DEEP LEARNING - SCHLÜSSELTECHNOLOGIE FÜR KI

Stellen Sie sich einmal vor, dass Objekte und Personen im Lager automatisch und mit wesentlichen Eigenschaften in Echtzeit per Kamera erkannt werden. Von automatischer Erfassung der Materialflüsse über Bestandskontrolle, Stammdatenpflege, Unterstützung der menschlichen Arbeit bei Zugriff und Qualitätssicherung, Persönlichkeitsschutz in Videomaterial, Zugangskontrolle und Zeiterfassung bis hin zu selbstfahrenden Fahrzeugen bietet sich hier ein breites Band innovativer Einsatzmöglichkeiten um die Qualität zu maximieren und die Kosten zu reduzieren.

Mit der revolutionären Realtime Objekt und Personenerkennung von Logivations ist dies dank Deep Machine Learning keine Zukunftsmusik sondern bereits heute im Einsatz!

Heute führt die Identifikation von Objekten in der Logistik zu hohen Kosten. Typischerweise betragen die Kosten für die laufende Identifikation ca. 25% bis 35% der gesamten Prozesskosten. Die Erfassung mit Scannern oder RFID kann zwar eine hohe Prozesssicherheit bieten, der Scanvorgang selbst ist jedoch zeitaufwändig und das Anbringen der RFID-Transponder zudem sehr kostenintensiv. Bedingt durch diesen entstehenden Aufwand können Objekte nicht an jeder gewünschten Stelle wirtschaftlich identifiziert werden, mit der Folge höherer Fehlerraten und Fehlerkosten.

Innovative Projekte aus der aktuellen Forschung zu künstlicher Intelligenz bieten neue Ansätze um durch maschinelles Lernen die Objekt-Identifikation zu automatisieren.

Die revolutionäre Neuerung: Strukturelle Regeln und Muster, wie Eingabesignale und -bilder mit den entsprechenden richtigen Ergebnissen verknüpft sind, leitet die Maschine selbstständig und zuverlässig auf Basis des Gelernten ab.

Logivations hat dafür die Deep Machine Learning Technologie in W2MO integriert, wodurch folgende Ziele ermöglicht werden:

Vorgehensweise und Ablauf

Kameras & Algorithmen statt Scanner und RFID zur Objekterkennung

Was macht die Lösung von Logivations so revolutionär?

Menschen und Objekte zu erkennen ist komplex. Sobald das Gesicht einer Person sichtbar ist – selbst weniger als eine Sekunde lang – kann diese Person leicht durch einen menschlichen Beobachter identifiziert werden. Computeralgorithmen müssen sich hier nach Mustern richten und versuchen diese Muster in Bildern wiederzufinden. Ein wesentlicher Teil der Komplexität entsteht allerdings nicht durch das Objekt selbst, sondern durch seine Position und Ausrichtung im Raum, sowie die Lichtverhältnisse bei der Erfassung.

Herkömmliche Lösungen bauen auf wenigen, vordefinierten Mustern auf, ohne diese situativen Faktoren umfassend abzubilden und bieten daher nicht die notwendige Zuverlässigkeit um kritische Anwendungen wie z. B. Persönlichkeitsschutz, Zugangskontrolle oder das automatisierte Auslösen von Prozessen zu steuern, wie dieses Beispiel einer Gesichtsverpixelung verdeutlicht:

Der Deep Machine Learning Algorithmus von Logivations lernt wie ein Mensch mit jeder positiven Erkennung weiter hinzu, anstatt sich auf vordefinierte Muster zu beschränken. Ihm werden Objekte und Personen tatsächlich anhand von Beispielen beigebracht.

Durch die Anwendung von Machine Learning und neuronaler Netze aus der aktuellen Forschung, sowie modernster Computertechnologien ist es uns gelungen, genau diese zuverlässige Erkennung in Echtzeit und aus der Cloud heraus zu ermöglichen. Die Objekt- und Personenerkennung geht hierbei weit über den üblichen Funktionsumfang ähnlicher Lösungen hinaus und kann neben Anwesenheit ebenso die Anzahl, Positionen und Eigenschaften von Objekten erfassen.

Der technische Aspekt

Die meisten bestehenden Lösungen benutzen den sogenannten Viola-Jones Algorithmus. Bei einem typischen Gesicht sind die Augen dunkler als die Nase und deswegen sucht der Algorithmus nach solchen Mustern:

Sobald ein Teil des Bildes diesem Muster entspricht, wird es als Gesicht klassifiziert. Das funktioniert gut bei Frontaufnahmen von Gesichtern und ist zudem relativ schnell.

Aber was passiert, wenn das Gesicht von der Seite gefilmt wird? Dabei ist nur ein Auge sichtbar, wodurch das Muster nicht auftritt und kein Gesicht erkannt wird. Demzufolge muss ein anderes Muster für seitliche Gesichtsansichten hinzugefügt werden. Das ist bereits relativ schwer umsetzbar, da kein einfaches Muster für alle Seitenansichten einsetzbar ist.

Nahezu unmöglich ist jedoch das Finden von Mustern für ungewöhnliche Gesichtspositionen: Eine Person die auf den Boden nach unten oder an einer Wand nach oben schaut. Diese Situationen sind mit dem Viola-Jones Algorithmus sehr schwer zu erkennen.

Das ist das Problem: Wir als Menschen können eine Person auch erkennen, wenn wir nur eine Seitenansicht des Gesichts sehen. Demnach muss ein Algorithmus, der den Schutz der Privatsphäre berücksichtigen will, auch all diese Fälle erkennen und richtig verpixeln.

Revolution: Neuronale Netzwerke

Logivations machte es sich zum Ziel, eine bessere Lösung zu erstellen. Mit den aktuellsten Technologien wie Machine Learning im allgemeinen und neuronalen Netzwerken im speziellen, nutzen wir eine Datenbank von über 500.000 Bildern von Menschen um einen Algorithmus zu trainieren, der Köpfe automatisch von selbst erkennt – in allen vorstellbaren Positionen, Drehungen und Lichtbedingungen. Hier ist ein Auszug der gefundenen Muster:

Wie man sehen kann hat unser Algorithmus statt Schwarz-weiß Pixeln verschiedene komplexe Muster gefunden. Somit kann er Köpfe auch in den ungewöhnlichsten Positionen erkennen. Diese Lösung erkennt Gesichter problemlos, wo andere Algorithmen scheitern.

In den folgenden Bildern bedeutet 0,997, dass der Algorithmus eine 99,7%ige Sicherheit in der Erkennung des Gesichts hat

So ein Algorithmus benötigt einen hohen Ressourcenaufwand. Durch die Nutzung der Leistung der Cloud können wir trotzdem ein schnelles und nahtloses Verarbeiten des Bildmaterials gewährleisten.

Technologie und Hintergrund

• Intelligente Machine Learning Algorithmen zur Objekterkennung in Bildern / Videos (“Neuronale Netzwerke”)
• Stetig sinkende Kosten für Hardware und hochauflösende Kameras, Tablets, Smartphones
• Enormer Anstieg der Rechenleistung von Computern innerhalb der letzten Jahre (GPU Computing)
• Integration mit Lagerverwaltungssystemen, SAP-Standardschnittstelle verfügbar
• Algorithmus wird mit Beispielbildern trainiert und extrahiert („lernt“) automatisch die erforderlichen Muster
• Logivations Deep Machine Learning kann zur schnellen und robusten Erkennung mit Standardkameras eingesetzt werden

Visualisierung in 2D, 3D & VR

Die Visualisierung des gesamten Lagers in 2D, 3D und sogar in VR ermöglicht es die einfache Daten- und Präsentationsebene zu verlassen und gibt auch abteilungsübergreifend schnelle Einblicke in Prozesse, Optimierungen und deren Ergebnis. Arbeitsaufwände, Belastungen auf Fördertechnik oder sogar die ABC-Verteilung der Lagergüter bieten eine visuelle Entscheidungsgrundlage, bereichern Workshops und Meetings und sparen Zeit bei der manuellen Aufbereitung. Darüber hinaus werden große Datenmengen durch Visualisierung erst handhabbar gemacht.

• Gleichmäßige Auslastung des Personals und aller Ressourcen
• Vermeidung von Spitzen
• Ganzheitliche Minimierung des Arbeitsaufwandes
• Exakte Prognose des zukünftigen Personalaufwands
• Termingerechte Auslieferung auch bei hoher Bestelldynamik