Deep learning wird in zahlreichen Anwendungen für maschinelles Sehen eingesetzt, insbesondere zur Verbesserung von Bildanalyse- und Erkennungsaufgaben. Algorithmische Modelle können trainiert werden, um Muster, Formen und Objekte in Bildern zu erkennen, wie Andrew Zosel, Senior Vice President und General Manager bei Zebra Technologies, erläutert. Diese Modelle nutzen verschiedene Techniken wie die Bildklassifizierung, Objekterkennung, Segmentierung und optische Zeichenerkennung (OCR), um Merkmale aus Bildern zu extrahieren und basierend auf dem Kontext Entscheidungen zu treffen. Hersteller profitieren von der Geschwindigkeit, Genauigkeit und Zuverlässigkeit, die diese Berechnung mit sich bringt, so Zosel.
Mit der fortschreitenden Entwicklung von maschinellen Sehensystemen verschwimmen die Unterschiede zwischen maschinellem Sehen und Computersehen zunehmend. Maschinelles Sehen erfordert die Verwendung von digitalen Kameras, bevor die Bilder für eine Ausgabeentscheidung verarbeitet werden. Im Gegensatz dazu benötigt das Computersystem keine Kameraeingabe und kann aus gespeicherten Bildern (echt oder synthetisch) interpretieren und Ergebnisse erzeugen. Computersehen umfasst eine breitere Kategorie alles von der Inspektion von Kennzeichen bis hin zur Personenverfolgung und anderen generischen Sehverarbeitungsaufgaben unter Verwendung eines Computers. Maschinelles Sehen hingegen ist ein spezifischerer Begriff, der häufig in industriellen Umgebungen verwendet wird, in denen Produkte hergestellt oder verarbeitet werden und Kameras und Bildverarbeitungstechnologien zur Durchführung spezifischer Aufgaben eingesetzt werden.
Zosel betont, dass sich mit den Fortschritten im Bereich des maschinellen Lernens und der künstlichen Intelligenz die Technologie und die Fähigkeiten des maschinellen Sehens immer stärker der Interpretation der Welt durch den Menschen annähern. Dennoch fehlen den heutigen Technologien die Fähigkeiten, die ein Mensch besitzt, um Defekte oder Abweichungen zu erkennen. AI und maschinelles Lernen haben jedoch die Tür für Anwendungen geöffnet, bei denen menschliche Inspektion durch Werkzeuge des maschinellen Sehens ersetzt werden kann, insbesondere für Anwendungen wie Anomalieerkennung oder Segmentierungsanalyse. Durch die Nutzung von AI-Modellen können subtile Merkmale trainiert werden, die traditionell schwer mit herkömmlichen Algorithmen zu erfassen wären.
Ein Beispiel für eine Anwendung, bei der diese Methodologie genutzt wird, ist die Überprüfung der korrekten Verbindung von elektronischen Komponenten, wie z.B. Kabeln oder Steckern. Maschinelle Sehensysteme können trainiert werden, um Feinheiten in der Positionierung oder Verbindung dieser Teile zu erkennen und zu bewerten. Traditionelle deterministische Algorithmen könnten diese Aufgabe aufgrund ihrer Komplexität und Schwierigkeit nicht bewältigen, weshalb der Einsatz von AI und Deep Learning hier wesentlich effektiver ist. Durch den Einsatz solcher Technologien können Hersteller die Inspektionsgenauigkeit und Effizienz verbessern und sicherstellen, dass ihre Produkte die erforderlichen Qualitätsstandards erfüllen.