Computer Vision: Objekt- und Anomalieerkennung
Una de las áreas de la Inteligencia Artificial que más se está desarrollando en los últimos tiempos es la visión artificial. Sus innumerables aplicaciones en multitud de ámbitos, está haciendo que su implantación en sectores como industria, deporte, sanidad, seguridad… se multiplique exponencialmente.
Gehen wir von der Definition der Computer Vision selbst aus, die, wie der Name schon sagt, darin besteht, Maschinen mit visuellen Fähigkeiten des Menschen auszustatten – oder anders gesagt, Computer sehen zu lassen. Dies wird durch die Erkennung von Mustern in Bildausschnitten erreicht, die analysiert werden sollen. Doch gehen wir der Reihe nach vor.
Wie bereits erwähnt, durchläuft die Computer Vision oder maschinelle Bildverarbeitung einen bedeutenden Wandel und eine starke Expansion, angetrieben durch maschinelles Lernen. Mit Fokus auf die industrielle Anwendung und am Beispiel der Fehlererkennung gelingt es den ‚klassischeren‘ Bildverarbeitungssystemen, beispielsweise Defekte zu identifizieren, die zuvor für ein bestimmtes Produkt definiert wurden, und so zur Verbesserung der Produktqualität beizutragen. Durch den Einsatz von maschinellem Lernen, insbesondere Deep Learning, wird eine neue Entwicklungsstufe erreicht, bei der auch zuvor nicht festgelegte Mängel erkannt werden können.
Der wesentliche Unterschied besteht darin, dass bei den ersten Entwicklungen den Maschinen ein konkreter Produktfehler vorgegeben ist, den sie anschließend identifizieren, während sie bei den neueren Systemen das ideale Bild erkennen und auf Basis ihrer eigenen Erfahrung all jene Elemente erlernen, die nicht Teil davon sind – wodurch sie neue, abweichende Muster erkennen können.
Wie sehen Maschinen?
Doch wie gelingt es Maschinen, tatsächlich zu ‚sehen‘ und die beschriebenen Prozesse umzusetzen? Dafür sind fortschrittliche Algorithmen erforderlich, die die Bilder untersuchen und Muster erkennen, anhand derer bestimmt wird, ob das analysierte Produkt Anomalien, Defekte oder Abweichungen aufweist.
Um dies zu erreichen, muss das System trainiert werden – ihm muss beigebracht werden, welche Merkmale es in den gezeigten Bildern erkennen soll. Dazu muss jedes Bild an den Pixeln oder Pixelgruppen gekennzeichnet werden, die der Figur entsprechen, die die Maschine lernen soll, damit sie diese in neuen Aufnahmen lokalisieren und mit dem zuvor trainierten Objekt identifizieren kann. Und wie bei jeder Trainingsmethode beruhen die Ergebnisse auf Beständigkeit und Wiederholung: Je mehr Bilder dem Modell gezeigt werden, desto bessere Ergebnisse werden erzielt.
Betrachten wir ein Beispiel: Soll ein Computer-Vision-Tool für eine Produktionslinie von Weinflaschen entwickelt werden, werden dem System zahlreiche Bilder von Flaschen gezeigt, bei denen die entsprechenden Pixel markiert sind. So lernen die Algorithmen deren Merkmale (Formen, Kanten, Farben, Größe usw.) kennen, um sie anschließend eigenständig in Bildern zu erkennen.
Nach der Trainingsphase ist das System bereit für die automatische Erkennung von Elementen – ein Prozess, bei dem künstliche Intelligenz und insbesondere Deep Learning zum Einsatz kommen. Dieser Bereich des maschinellen Lernens arbeitet mit faltenden neuronalen Netzen (Convolutional Neural Networks), die die Funktionsweise biologischer neuronaler Netze nachahmen.
Die eingesetzten fortschrittlichen Algorithmen tasten das Bild ausgehend von kleinen Bildbereichen ab. Dabei durchläuft jede kleine Pixelgruppe die verschiedenen Schichten des Netzes, die so organisiert sind, dass die ersten Schichten einfache Formen (Linien, Kurven, Farben usw.) erkennen und in jedem weiteren Schritt komplexere Elemente (Figuren, Gesichter usw.) identifiziert werden. Je mehr Schichten das Netz besitzt, desto genauer sind die erzielten Ergebnisse.
Nachdem alle Pixel untersucht wurden, bestimmen die Computer-Vision-Systeme, welche der erfassten Merkmale übereinstimmen – zurück zu unserem Beispiel: mit der Flasche aus unserer Produktionslinie und ihren erlernten Eigenschaften. Erkennt das Tool ab diesem Punkt Abweichungen vom im Training definierten Idealbild der Flasche, löst es je nach der der Linie zugewiesenen Aufgabe einen Alarm aus oder entfernt die Flasche vom Förderband.
Anwendung der Computer Vision in der Industrie
Die Einsatzmöglichkeiten der Computer Vision sind zahllos und, wie bereits erwähnt, in allen Branchen anwendbar. Im industriellen Bereich, auf den wir uns hier konzentriert haben, kann sie neben der Anomalieerkennung auch für die Objektklassifizierung, das Aussortieren fehlerhafter Teile, die Sortierung nach Größe oder anderen Materialeigenschaften sowie für die Vermessung von Bauteilen eingesetzt werden, um nur einige Anwendungen zu nennen.
Durch den Einsatz von Computer Vision werden all diese Prozesse schneller und präziser, sodass Fehler frühzeitig erkannt und fehlerhafte Elemente oder Artikel aus der Produktionskette entfernt werden können – was zu Kosteneinsparungen sowie einer höheren Effizienz und Qualität führt.