Digitální dvojče ověří funkce stroje

IT podpora výroby I služby I CAx technologie Obr.4: Princip fungování konvoluční neuronové sítě těla. Jejich použití je tak velmi snadné. Alternativou k využití předtrénovaných detektorů je možnost trénování nového detektoru pro uživatelské třídy objektů. Sledování objektů j d Sledování objektů není pouhou opakovanou detekcí objektů aplikovanou na jednotlivé snímky ve videu. Při sledování se snažíme nalézt souvislosti a změny scény v po sobě jdoucích snímcích. V prostředí MATLAB můžeme k tomuto účelu využít sledování obdélníkové oblasti snímku na základě analýzy histogramu nebo sledování skupiny bodů (obrázek 3). Kromě popsaných metod nabízí MATLAB také funkce pro detekci popředí či predikci pohybu objektu pomocí Kalmanova filtru. Klasifikace objektů j d Klasifikace snímaných objektů představuje odlišný typ úlohy, než hledání konkrétního objektu na snímku. Při klasifikaci přiřazujeme celému snímku jednu klasifikační kategorii, která charakterizuje snímaný objekt. Úlohy se mohou týkat typických objektů okolního světa nebo mohou být specializovány na rozeznání vybraného objektu z dané skupiny. Klasifikátor je třeba nejprve natrénovat na vzorových datech a poté jej aplikovat na nový snímek. V prostředí MATLAB je k dispozici klasifikátor využívající přístup bag-ofvisual words. Přístup zahrnuje extrakci příznaků SURF, k-means clustering pro získání vizuálního „slovníku“ a klasifikační algoritmus support vector machine (SVM). Deep learning ap počítačové vidění d Detekci a klasifikaci objektů na snímcích lze řešit i metodami deep learningu. MATLAB v této oblasti využívá konvoluční neuronové sítě, které jsou v současné době velmi populární. Konvoluční neuronová síť (CNN) je uspořádána do mnoha vrstev obsahujících sady propojených uzlů. Výpočetní algoritmus CNN je založen na konvoluci mezi vstupními daty (obrázek 4) a 2D filtry, které reprezentují hledané charakteristické rysy. Na základě těchto rysů je objekt na obrázku klasifikován. Úspěšnost CNN při klasifikaci obrázků nezřídka přesahuje 95 %, čímž se řadí mezi nejspolehlivější metody. CNN lze využít nejen ke klasifikaci obrázku jako celku, ale též k detekci specifických objektů ve snímané scéně. Hledaný 51 objekt zde obvykle pokrývá pouze malou část snímku a v ostatních částech se nacházejí jiné objekty. Proto není možné snímek klasifikovat jako celek. V prostředí MATLAB se k této úloze využívají algoritmy typu R-CNN (Regions with CNN), kdy je konvoluční neuronová síť aplikována na klasifikaci výřezů (regionů) v rámci daného snímku. Namísto klasifikace všech výřezů získaných pomocí „plovoucího“ okénka zpracovává R-CNN detektor pouze výřezy, kde je výskyt hledaného objektu pravděpodobný. To významnou měrou redukuje výpočetní nároky. Stavební kameny y d Popsané algoritmy nepředstavují hotové uzavřené řešení, ale stavební kameny, které můžete využít k budování vlastních komplexních algoritmů detekce a sledování objektů či osob. MATLAB nabízí množství příkladů, jak tyto stavební kameny skládat a řešit jimi úlohy a situace, jako je problematika ztráty a opětovného nalezení sledovaného objektu, sledování mnoha objektů zároveň, stereovize a další. p www.humusoft.cz Distributor produktů společnosti MathWorks v České republice a na Slovensku DIGITÁLNÍ DVOJČE ověří funkce stroje Virtuální zprovoznění digitálního dvojčete CNC stroje – konkrétně horizontální vyvrtávačky HCW 4S od společnosti Škoda Machine Tool – bylo jedním z velkých témat prezentace společnosti Siemens pro letošní Mezinárodní strojírenský veletrh. Vystaven byl funkční model stroje v poměru 1:15 a digitální dvojče. Reálný stroj, model i digitální dvojče totiž ovládá stejný řídicí systém Sinumerik 840D sl. Virtuální podoba stroje má stejné funkce, jako jeho reálné dvojče, a navíc lze jeho prostřednictvím předvést návštěvníkům více možností a aplikací. Velmi výhodný je tento způsob prezentace i pro samotné výrobce obráběcích stojů, kteří tak mohou díky virtuálnímu dvojčeti velmi dobře prezentovat svá zařízení zákazníkům a pomoci jim vybrat ideální stroj pro jejich výrobní aplikace. Ve virtuálním prostředí lze i dokázat a ověřit, zda stroj bude vyhovovat svými parametry a zvládat požadovanou rychlost a kvalitu výroby. „Na pří běhu stroje HCW 4S jsme představili také pět kroků životního cyklu výrobku a řešení, která pro ně Siemens nabízí. Komplexní portfolio nástrojů umožňuje usnadnit a zefektivnit všechny fáze hodnotového řetězce stroje – od jeho návrhu pomocí programu NX Teamcenter a Mechatronics Concept Designer od Siemens PLM Software, přes virtuální zprovoznění pomocí Simulation Unit až po simulaci výroby se zapojením reálného ovládacího panelu stroje s reálným řídicím systémem a technologickým výrobním programem,“ vysvětlil Tomáš Kopeček, ob chodně technický poradce společnosti Siemens. p www.siemens.cz w w w. t e c h n i k a a t r h . c z humosoft_c+siemens_c.indd 51 20.11.2018 15:34:18