Untersuchungen zur echtzeitfähigen Bilderkennung mit neuronalen Netzen auf konventionellen Industriesteuerungen

Fertigungssysteme für die individualisierte Produktion erfordern Arbeitsabläufe, die von einzelnen Objekten abhängig sind. Maschinelles Lernen (ML) bietet die Möglichkeit, verschiedene Objekte mit Hilfe eines neuronalen Netzes zu klassifizieren. Abhängig von den Klassifikationsergebnissen können Entscheidungen für den nachfolgenden Produktionsschritt getroffen werden. Es wird untersucht, ob es möglich ist, ein neuronales Netz zur Bilderkennung in Echtzeit und in Koordination mit den Maschinen- und Bewegungssteuerungsaufgaben auszuführen. In dieser Arbeit wird die Umsetzung und Messung mit Hilfe einer SPS-Laufzeitumgebung auf einem Standard-Industrie-PC durchgeführt. Die Ausführungszeiten verschiedener Methoden zur Implementierung neuronaler Netze werden gemessen und verglichen. Das schnellste neuronale Netz benötigt eine durchschnittliche Ausführungszeit von nur 39 μs. Darüber hinaus werden die Eigenschaften der verschiedenen Methoden in Bezug auf das Training und die Implementierung der neuronalen Netze innerhalb verschiedener industrieller Steuerungen diskutiert.