So wird künstliche Intelligenz industrietauglich – Teil 1/2

Bei vielen Vision Unternehmen gibt es immer noch Vorbehalte gegenüber künstlicher Intelligenz (KI). Es mangelt an Fachwissen und Zeit, um sich detailliert ins Themengebiet einzuarbeiten und oftmals auch an Akzeptanz und Erklärbarkeit. Können die KI-Hersteller die Transparenz erhöhen und die Einstiegshürden senken oder sind KI-Methoden noch nicht reif für den industriellen Einsatz?

 Um KI effektiv für verarbeitungsaufgaben einsetzen zu können, reicht die übliche Bereitstellung von Hardware allein nicht aus. Ein Umdenken ist notwendig. (Bild: IDS Imaging Development Systems GmbH)
Um KI effektiv für verarbeitungsaufgaben einsetzen zu können, reicht die übliche Bereitstellung von Hardware allein nicht aus. Ein Umdenken ist notwendig. (Bild: IDS Imaging Development Systems GmbH)


Das ist eine Frage, die momentan häufig diskutiert wird. Die Antwort liegt wie so oft im Auge des Betrachters. Die notwendige Hardware für den produktiven und effizienten Einsatz steht jedenfalls zur Verfügung. Viele Hersteller von Vision Hardware haben das bereits erkannt, wie das stetig wachsende Angebot von KI-Plattformen unterschiedlicher Leistungsklassen zeigt. Aber es gibt dennoch Startschwierigkeiten. Die übliche Bereitstellung von Hardware allein reicht nicht, ein Umdenken ist notwendig.

Es fehlt an Erfahrung

Wenig hilfreich ist, dass KI bzw. Machine Learning (ML) ganz anders funktioniert als regelbasierte Bildverarbeitung und sich damit auch die Herangehensweise und Bearbeitung von Vision Aufgaben unterscheidet. Die Qualität der Ergebnisse ist auch nicht mehr das Produkt von manuell entwickeltem Programmcode, sondern wird durch den Lernprozess mit geeigneten Bilddaten bestimmt. Was so einfach klingt, führt nur mit ausreichend Fachwissen und Erfahrung zum gewünschten Ziel. Ohne geschultes Auge für die richtigen Daten treten oft Fehler auf, die wiederum zu einer falschen Anwendung von ML-Methoden führen. Tests haben gezeigt, dass unterschiedliche Nutzer für die selbe Aufgabe sehr unterschiedliche Trainings-Qualitäten der künstlichen neuronalen Netze (KNN) erzielen, weil teilweise Bilder mit zu viel unwichtigem Inhalt, schlechter Belichtung, Unschärfe oder auch falschen Labels für das Training verwendet wurden.

Die Schlüsselkompetenzen für die Arbeit mit ML-Methoden sind nicht mehr dieselben wie bei der regelbasierten Bildverarbeitung und müssen gezielt aufgebaut werden. Wer bereits die Zeit und Ressourcen hatte, damit zu arbeiten, zu testen und zu spielen, sammelt diese Erfahrung und kennt die Fallstricke. Deshalb beschäftigen sich derzeit wohl eher neue Firmen und Startups mit KI. Sie haben keine Altlasten, sind nicht an bestehende Verfahren gebunden und wagen sich teilweise spielerisch und mit viel Forscherdrang an Aufgaben, wo die klassische Bildverarbeitung bisher ohne Lösung blieb. Doch solange die Big-Player die neue Technologie noch nicht flächendeckend beim Kunden einführen und sich dafür stark machen, fehlt das Wissen und das Vertrauen – auch beim Kunde. Um die alten Hasen aus ihrer Komfortzone zu locken, muss sich daher etwas ändern, denn die KI steht einem etablierten System gegenüber, für das in den vergangenen Jahren passende Umgebungsbedingungen geschaffen wurden. Wissen, Dokumentation, Trainings, Hardware, Software, Entwicklungsumgebungen, Akzeptanz und Nachfrage seitens der Kunden hatten lange Zeit zu reifen. KI kommt dagegen noch sehr roh und puristisch daher. Wer sie beherrscht erntet zwar Bewunderung und Anerkennung, aber auch fragende Gesichter und Unverständnis.

Ein weiterer Aspekt sind neue Zielgruppen. Dr.-Ing. Peter Ebert, Chefredakteur der inVISION und Kenner der Szene meint „Die Vision-Community der Zukunft besteht nicht nur aus klassischen Bildverarbeitungsexperten, sondern bekommt auch Zuwachs aus dem IoT-Bereich.“ Mit neuen Anwendergruppen ergeben sich zwangsläufig auch andere Use Cases und Anforderungen für die Nutzung vorhandener Technologien. Nicht immer reicht dort das klassische Programmier-SDK aus. Altbewährte Regeln müssen aufgebrochen werden.

Seiten: 1 2 3Auf einer Seite lesen

IDS Imaging Development Systems GmbH
www.ids-imaging.de

Das könnte Sie auch Interessieren

Bild: Optris GmbH
Bild: Optris GmbH
IR-Messung von Low-E-Glas

IR-Messung von Low-E-Glas

Der geringe Emissionsgrad von Low-E-Glas für Fenster und Fassadenelemente ist eine Herausforderung für IR-Messgeräte, die traditionell die Glastemperatur von oben messen, wenn die Scheiben im Zuge des Glashärtungsprozesses aus dem Ofen herausbewegt werden.

Bild: Volume Graphics GmbH
Bild: Volume Graphics GmbH
‚Anpassungsfähige‘ Messpläne

‚Anpassungsfähige‘ Messpläne

Die CT-Analysesoftware VGstudio Max enthält ab dem Release 2022.1 erstmals adaptive Messvorlagen. Damit passen sich Messpläne den Deformationen von Bauteilen automatisch an. Das Paradebeispiel sind Spritzgussbauteile in der Entwicklungsphase. Die Zeiten, in denen der Messtechniker seine Messpläne manuell nacharbeiten musste, sind damit passé.

Bild: Imago Technologies GmbH
Bild: Imago Technologies GmbH
Highspeed-Zählen

Highspeed-Zählen

Eine Machbarkeitsstudie von Imago Technologies für eine Applikation auf Grundlage der Event-based Vision Technologie von Prophesee zeigt, dass Gelkapseln bei hohen Geschwindigkeiten auch dann gezählt werden können, wenn konventionelle Kameras bei transparenten, kontrastarmen Zählobjekten an ihre Grenze kommen.

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige