Künstliche Intelligenz (KI) – insbesondere maschinelles Lernen durch Deep Learning – hat schon jetzt einen enormen Einfluss auf unsere Welt. Deep Learning-Technologien werden in einer Vielzahl von Anwendungen eingesetzt: von virtuellen Assistenten, die natürliche Sprache verarbeiten können, über die Verbesserung der E-Commerce-Erfahrung durch Empfehlungsmaschinen bis hin zur Unterstützung von Ärzten bei der computergestützten Diagnose.
Die Deep-Learning-Technologie ist auch ein wichtiger Wegbereiter von Industrie 4.0 – der vierten industriellen Revolution, die in der Fertigung stattgefunden hat. Hier kommen intelligente und auch autonome Systeme auf der Basis großer Datenbestände und maschinellem Lernen zum Einsatz. Die Bildverarbeitungstechnologie kann hier einen wichtigen Beitrag leisten. Dabei sollte man aber nicht außer Acht lassen, dass Deep Learning allein nicht alle Arten von Machine Vision Aufgaben bewältigen kann und eine sorgfältige Vorbereitung und Wartung erfordert, um wirklich effektiv zu sein.
Bei welchen Machine Vision Aufgaben ist Deep Learning einsetzbar?
Maschinelles Lernen wird hauptsächlich eingesetzt, um Daten auf Wahrscheinlichkeitsbasis zu klassifizieren – beim Einsatz in Vision Systemen Bilder oder Details von Bildern. Unsere Bildverarbeitungsysteme werden jedoch auch für andere Aufgaben eingesetzt, wie zum Beispiel subpixelgenaue Vermessung oder Positionsbestimmung von Objekten. In diesen Fällen und wenn es um die Identifikation von definierten Symbolen geht (Barcode, Datamatrix, QR Code) haben klassische Bildverarbeitungsalgorithmen noch immer die Nase vorn.
Was sind die Stärken von Deep Learning bei der Analyse von Bildern?
Überall dort, wo die zu untersuchenden Objekte ein variables Aussehen haben, nicht vorhersehbare Störungen oder komplexe Szenen auftreten, ist Deep Learning den klassischen Bildverarbeitungsverfahren weit überlegen. Bei Letzteren muss mit großem Programmieraufwand, Spezialwissen und Erfahrung versucht werden, die Variabilität der Objekte in Algorithmen zu berücksichtigen. Deep Learning hingegen erfordert zwar auch Sorgfalt und Zeitaufwand beim Lernvorgang, dafür sind aber keine speziellen Programmierkenntnisse erforderlich und ein neuronales Netz kann noch erstaunlich gute Klassifikationsergebnisse liefern, wenn es mit unbekannten Störungen oder Defekten konfrontiert wird.
Deep Learning Technologien sind also bestens geeignet für Aufgaben wie Vorhandenprüfung, Defekterkennung, Oberflächeninspektion oder Unterscheidung von Objekten.
Bildklassifikation auf Basis neuronaler Netze ist bereits Bestandteil unserer Software medeaLAB Count & Classify für den PC-Einsatz sowie unserer Embedded Vision Systeme für die Automatisierung.
Nachfolgend einige Beispiele für den Einsatz von Deep Convolutional Neural Networks (CNN) in medeaLAB Bildverarbeitungssystemen:
Lemnatest (ökotoxikologischer Test nach DIN EN ISO 20079) – Detektion von Lemna minor Blättchen mit RetinaNet:
DNA-Sequenzierung von Pflanzenmaterial – Voll/Leer-Detektion von Röhrchen mit MobileNetV2:
Tubes ohne Probe
Tubes mit Probe
Beton-Oberflächen – Erkennung von Rissen mit ResNetV2:
Oberfläche ohne Riss
Oberfläche mit Riss
