Bildverarbeitung

Wie steht es um das maschinelle Lernen in der Bildverarbeitung?

| Redakteur: Juliana Pfeiffer

Warum hat das System so entschieden? Manche Entscheidungen im maschinellen Lernen können oft nicht nachvollzogen werden. Woran es hierbei noch fehlt, zeigt der aktuelle Statusreport des VDI.

Die industrielle Bildverarbeitung ist weit fortgeschritten, wenn es um den Einsatz von Künstlicher Intelligenz (KI) und insbesondere um Deep Learning geht.
Die industrielle Bildverarbeitung ist weit fortgeschritten, wenn es um den Einsatz von Künstlicher Intelligenz (KI) und insbesondere um Deep Learning geht.
(Bild: Sick)

Die industrielle Bildverarbeitung in Deutschland wächst: 2018 hat sie 2,8 Milliarden Euro Umsatz erwirtschaftet. Neben typischen Industriekameras gibt es zunehmende bildgebende Systeme, die mit anderen Wellenlängen arbeiten. Hier besteht immer häufiger der Bedarf, die mit diesen Systemen erzeugten Bilddaten automatisiert zu bewerten, sei es zur Prozess- und Qualitätskontrolle oder in der medizinischen Diagnostik. Das Problem jedoch ist, dass es nahezu unmöglich ist, einem klassischen Bildverarbeitungs-System den Unterschied beispielsweise zwischen einem runden, roten Luftballon auf einem Foto der Zeitschriftenseite und einem roten Klecks auf der Schrift zu erklären. Für diese Aufgaben ist die künstliche Intelligenz (KI) und maschinelles Lernen (ML) auf Basis künstlicher neuronaler Netze prädestiniert.

In ihrem aktuell veröffentlichten Statusreport „Maschinelles Lernen – Künstliche Intelligenz mit neuronalen Netzen in optischen Mess- und Prüfsystemen“ führt der VDI zunächst in das maschinelle Lernen für optische Mess- und Prüfsysteme ein und stellt die neuen Potenziale des maschinellen Lernens vor.

Maschinelles Lernen ist ein Bereich der Wissenschaft und Technik, in dem immer noch viel geforscht und entwickelt wird. Das zentrale Forschungsfeld ist die Erklärbarkeit der Ergebnisse des ML. Denn noch oft kann die Frage „Warum hat das System so entschieden?“ aufgrund des Systemkonzepts nicht beantwortet werden. Noch immer sind die Verfahren des ML eine „Blackbox“, in die man ein Bild eingibt und daraus eine Antwort erhält. In einem aktiven Forschungsgebiet sollen deshalb Methoden entwickelt werden, um die Verarbeitung durch das Netz nachvollziebar zu machen. Der Statusreport zeigt den momentanen Stand und versucht, künftige Entwicklungen abzuschätzen.

Wofür sind künstliche Intelligenz (KI) und maschinelles Lernen (ML) gut? Worin unterscheiden sie sich von „klassischer“ industrieller Bildverarbeitung? Das diskutiert der VDI in seinem Statusreport "Maschinelles Lernen – Künstliche Intelligenz mit neuronalen Netzen in optischen Mess- und Prüfsystemen“.

VDI-Statusreport downloaden

Die Vorteile von maschinellem Lernen im praktischen Einsatz überwiegen. Typische Anwendungsgebiete von ML in optischen Mess- und Prüfsystemen sind die Klassifikation, die Objektdetektion und die Segmentierung. Hierbei ermöglicht das maschinelle Lernen:

  • neue Problemlösungen auch dort, wo klassische Ansätze nicht praktikabel sind,
  • es funktioniert besonders gut dort, wo viele verlässliche annotierte, repräsentative Daten verfügbar sind,
  • es erfordert weniger Algorithmenentwicklung, dafür mehr Datensammlung und Training auf diesen relevanten Daten; hierdurch verschieben sich die Aufgaben und auch die Kosten;
  • es erfordert weniger Wissen über das jeweilige Produkt oder den Prozess;
  • es ermöglicht robuste Lösungen, die auch bei Störungen oder leichten Abweichungen von den Trainingsdaten noch gut funktionieren,
  • es wird die Produktion und deren Qualitätssicherung verändern,
  • es erzeugt allerdings von sich aus keinen vertieften Erkenntnisgewinn über die zugrunde liegenden Prozesse.

Rahmenbedingungen zur Datennutzung schaffen

Eine weitere große Herausforderung beim Einsatz von Verfahren des ML sind die Daten. Hier müssen hinsichtlich der Datennutzung geeignete Rahmenbedingungen geschaffen werden: Große Datenmengen müssen zuverlässig gesichert, zwischen Projektpartnern ausgetauscht und vor unberechtigtem Zugriff gesichert werden können. Die Verfügbarkeit von industriellen Daten und die Freiheit zur Nutzung der Daten werden in naher Zukunft eine wesentliche Grundlage der wirtschaftlichen Souveränität eines Wirtschaftsraums bilden. Notwendig sind daher klare Regelungen, welche Eigentums- oder Nutzungsrechte an solchen Daten bestehen, wo die Grenzen individueller Rechte an Daten liegen und welche Rechte an den Ergebnissen von Lernverfahren für KI und ML bestehen. Diese Regelungen müssen in einem europäischen Rahmen vereinbart sein.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46268813)