如果要在生产的每个阶段都提高效率,机器就必须适应并变得更智能。人们对智能机器行为的兴趣正在增加,随之而来的是数字技术的挑战。传感器仍然是信息的来源,集成软件为评估和通信网络数据提供了解决方案。然而,工业4.0的趋势意味着IT部门迫切需要对数据复杂性进行“改革”。深度学习是必不可少的,这是SICK及其客户为现代工厂流程所采取的路径。
深度学习是一种机器学习技术,通常被视为人工智能未来的重要组成部分。生病的将这一关键技术应用于其传感器,为客户提供更高的生产力和灵活性的附加值。
深度学习需要能够检测和处理大量复杂模式和数据的算法。人工神经网络模仿人类思维并从例子中学习。它从经验中学习,并学会适应新的、更新的信息。
因此,今天可能实现的一系列优化在几年前是不可想象的。机器和工厂,结合智能数据和专门的传感器,可以为最复杂的任务找到解决方案。
SICK目前的大部分深度学习项目都在光学质量检测领域。在物流自动化,深度学习摄像机可以通过分析教进的图像库,自动检测、验证、分类和本地化“训练”的物体或特征。
例如,他们可以检查是否有任何平面存在于分拣托盘,优化分拣单元分配和增加吞吐量。它们能检测到包裹上的捆扎带,甚至是白色包裹上的白色捆扎带。这提高了自动包装过程中的质量控制,并确保对运输对象进行了分析。
如果包裹有凹痕或损坏,或者需要确定包裹的材料属性,SICK传感器可以在实时操作中智能捕捉和评估结构或特征。它们确保启动排序过程中的下一个步骤。这种特征在这种形式中是独一无二的,以前只能通过人眼来执行。所有SICK项目的最终目标是应用深度学习来改进流程和提高工厂效率。
一旦深度学习流程到位,通过保持机器、传感器和其他技术处于最佳状态来继续保持工厂的效率是至关重要的。SICK的服务确保了整个产品和机器生命周期的成功。现在有了SICK提供的虚拟机支持,制造商可以在任何需要的时候联系SICK专家。
这些行业领先的专家在机器安全、工业4.0、集成、机器视觉等技术的设计、指定、调试和支持方面拥有数十年的经验。这些服务可以在任何时间、任何地点、白天或晚上进行虚拟咨询,以确保所有流程顺利运行,以维护深度学习技术。
SICK的服务和支持组合可以从咨询(现场或虚拟)开始,并帮助您选择合适的产品,但这只是开始。SICK提供全套的售前和售后支持、维护和生命周期服务,包括:
人们需要的不是一个普遍的解决方案。相反,重点是针对特定情况量身定制的解决方案。尽管现代2D和3D相机不断变得更快、更强大,但它们的性能目前受到传统图像处理算法的限制。为了评估不同的应用程序和条件,SICK的深度学习专家与客户的流程和质量专家密切合作。他们独特的工艺专业知识构成了模拟训练的基础和传感器中后续深度学习算法的核心。
复杂的网络体系结构要处理大量的信息。尽管如此,训练一个深度学习网络所需的时间只有几个小时多一点。深度学习网络也可以重新训练并适应新的条件。对于大数据池和神经元网络训练,SICK使用强大的独立内部处理和IT系统。生成的深度学习算法通过云放置在传感器上,使其具有故障安全保障,并直接用于智能相机。
在机器真正称霸之前还有很长一段时间,但即使在今天,深度学习也取得了令人印象深刻的成果,并带来了许多好处。然而,最基本的工作仍然是由人类来完成的。只有时间才能告诉我们,有多少公司和行业会决定通过加大对这种数字技术的投资来推动自身的增长。