+49 6221 672 19-00 info@hdvisionsystems.com

Bilderkennung vs. Mustererkennung – das steckt dahinter

Bilderkennung vs. Mustererkennung – beides dasselbe?

Industrielle Güter auf Qualität prüfen? Mit Bildverarbeitung nichts leichter als das! Allerdings gibt es nicht die eine Bildverarbeitung. Die Unterschiede zwischen den einzelnen Optionen hinsichtlich Erkennungsvermögen, Fähigkeiten und Präzision sind groß. Neben der Sensorauswahl liegt das auch an den eingesetzten Algorithmen zur Qualitätsprüfung. Die beiden meistgenutzten sind derzeit die Muster- und Bilderkennung. Doch was genau unterscheidet diese zwei Verfahren?

Beides sind verschiedene Varianten der Bildverarbeitung in der Informatik. D.h. hinter Bild- und Mustererkennung verstecken sich zwei Herangehensweisen und damit zwei unterschiedlich aufgebaute Algorithmen-Typen. Gemeinsam ist ihnen, dass sie Bildinhalte über bestimmte Verfahren so strukturieren und in ihrer Komplexität herunterbrechen, dass Bild- und Mustererkennung für die Algorithmen handhabbar werden. Erst dann sucht der Code in diesen Daten nach speziellen Eigenschaften – entweder bestimmte Muster oder vordefinierte Objekte und Menschen.

Doch an dieser Stelle enden die Gemeinsamkeiten. Denn während die Mustererkennung noch verhältnismäßig überschaubare Operationen durchführt, geht die Bilderkennung tiefer.

 

Basisoperator in der Bildverarbeitung: Mustererkennung

Mustererkennung bedeutet, Zusammenhänge zwischen einzelnen Aufnahmen und/oder Objekten zu finden und diese korrekt zu kennzeichnen. Sie eignet sich daher vor allem für einfache Inspektions- und Prüfaufgaben. Zu den Stärken der Mustererkennung zählen insbesondere das Finden, Verfolgen und Glätten von Konturen. Damit eignet sie sich vor allem zur Überprüfung scharfer Kanten, aber auch um eine Vollständigkeitsprüfung durchzuführen (etwa: Ist eine Dichtung als Kreis auszumachen?).

Ein häufig eingesetzter Algorithmus in der Mustererkennung ist die normierte Grauwertkorrelation. Das Verfahren arbeitet mit Lichtveränderungen von hell zu dunkel und identifiziert auf diese Weise Kanten. Damit der Algorithmus zuverlässig arbeiten kann, ist er auf ein gleichbleibendes Szenario angewiesen: Die aufgenommenen Objekte müssen immer die gleiche Größe und Ausrichtung aufweisen. Neueste Entwicklungen können Toleranzen zwar in begrenztem Maß ausgleichen, von Flexibilität kann hier jedoch nicht die Rede sein.

Bilderkennung und Musterkennung in Gegenüberstellung

Bilderkennung: Künstliche Intelligenz für anspruchsvollere Aufgaben

Bilderkennung hingegen betrifft die symbolische Beschreibung eines Bildes mit konkreten Begriffen wie „Hund“, „Haus“ etc. Dabei sucht das Verfahren explizit nicht nach Mustern oder Gemeinsamkeiten auf anderen Bildern. Stattdessen arbeitet Bilderkennung mithilfe Künstlicher Intelligenz und Deep Learning. Die dabei zum Einsatz kommenden neuronalen Netze sind so zahlreich und so stark untereinander verbunden, dass es nicht möglich ist, sie auf ihren Ursprung zurückzuführen.

Damit diese Verbindungen zu den richtigen Schlüssen kommen, ist es notwendig, die Bilderkennung für jede Aufgabe zu trainieren. Erst darauf erkennt sie Objekte zuverlässig. Dafür kann sie dies auch unter anspruchsvolleren Bedingungen und aus wechselnden Winkeln. Schatten, Lichteffekte und gemusterte Bildhintergründe sind ebenfalls keine KO-Kriterien mehr.

Aufgrund dessen ist die Bildverarbeitung in der Lage, Objekte, deren Lage und Position zu erkennen. Das lässt sich z.B. nutzen, um

  • automatisch Bilder in Bilddatenbanken zu beschriften,
  • Bilder und Ausschnitte zu erkennen und einem Produkt zuzuordnen,
  • Gesichter zu identifizieren,
  • Abweichungen vom Standard aufzudecken,
  • Passmarken zu erkennen, sodass eine genaue Bestückung in der Industrie erzielt werden kann,
  • Oberflächen zu prüfen, uvm.

 

Bild- vs. Mustererkennung: Übertrumpft KI alles?

Bilderkennung bietet der Bildverarbeitung fortschrittlichere Erkennungsoptionen als die reine Mustererkennung. Dennoch sollte diese nicht als veraltete Technologie abgetan werden. Häufig reicht eine Mustererkennung für den eigentlichen Zweck bereits aus. Dieser einfachere Einsatz geht zudem mit einem niedrigeren Entwicklungsaufwand einher: Hier ist kein Training neuronaler Netze notwendig. Für komplexe Aufgaben sollte man sich jedoch besser an die Bilderkennung halten. Zwei Verfahren, zwei Anwendungsbereiche: Bild- und Mustererkennung ergänzen sich folglich ideal.

Integrierte 3D-Objekterkennung für das Handling komplexer Werkstücke

In der sich rasant entwickelnden Welt der industriellen Automatisierung ist eine zuverlässige und flexible Objekterkennung ein Grundpfeiler für Vision-Guided Robotics (VGR) und Qualitätssicherung. Bei HD Vision Systems ist es unsere Mission, die Grenzen des Möglichen in der Automatisierung neu zu definieren. Als Vision-Partner auf der Bosch Rexroth CtrlX-Plattform bringen wir modernste Bildverarbeitungstechnologie durch leistungsstarke Apps auf den Fabrikboden, die Konnektivität vereinfachen und die Leistung verbessern.

Pattern Matching: Ein traditioneller Ansatz

Eine der häufigsten Fragen beim Entwurf von Automatisierungslösungen ist, ob traditionelle Pattern-Matching-Techniken oder moderne KI-basierte Objekterkennung verwendet werden sollen. Pattern Matching ist regelbasiert und nutzt manuell definierte Vorlagen oder geometrische Formen zur Objekterkennung. Obwohl es lange ein fester Bestandteil klassischer Bildverarbeitung war, stößt es unter realen Bedingungen oft an seine Grenzen. Änderungen in Beleuchtung, Ausrichtung, Maßstab oder selbst kleine Verdeckungen können zu Erkennungsfehlern führen. Zudem ist die Einrichtung aufwändig, erfordert Expertenwissen und lässt sich nur schwer an Veränderungen in der Produktionslinie anpassen.

Deep Learning: Intelligent und anpassungsfähig

Im Gegensatz dazu nutzt die KI-basierte Objekterkennung datengetriebene Modelle, die auf großen und vielfältigen Datensätzen trainiert wurden. Diese Modelle erkennen Objekte anhand abstrakter Muster und sind dadurch wesentlich robuster und flexibler. Sie kommen mit unterschiedlichsten Abweichungen und Unregelmäßigkeiten in industriellen Umgebungen zurecht. Mithilfe von Transfer Learning und Datenaugmentation lassen sich Modelle zudem schnell auf neue Objekte oder Bedingungen anpassen – ganz ohne komplexes Regelwerk.

Integrierte KI auf CtrlX

Wir bei HD Vision Systems setzen konsequent auf diesen modernen Ansatz und haben ihn direkt in die Bosch Rexroth CtrlX-Plattform integriert. Unsere Apps ermöglichen den Anschluss von Standard-Industriekameras gemäß dem GenICam-Standard via Ethernet. Die aufgenommenen Bilder werden von KI-Modellen direkt im CtrlX-Ökosystem verarbeitet. Die Ergebnisse sind nicht nur präzise, sondern werden auch automatisch aus 2D-Bildkoordinaten in 3D-Weltkoordinaten überführt – entscheidend für präzise Roboterführung und Qualitätssicherung.

Vor-Ort-Training und Individualisierung

Neben vortrainierten Modellen bieten wir Frameworks an, mit denen Nutzer eigene Bilddaten annotieren und individuelle Objekterkennungsnetzwerke trainieren können – komplett vor Ort, ohne Daten in die Cloud zu senden. So behalten Sie die volle Kontrolle über Datenschutz und Datensicherheit. Integratoren und Endanwender können so hochspezialisierte Erkennungslösungen entwickeln – exakt zugeschnitten auf ihre Anwendung.

Zukunftsausblick: KI für moderne Fertigung

Pattern Matching hatte seine Zeit, aber die zunehmende Komplexität moderner Fertigungsprozesse verlangt intelligentere, flexiblere Systeme. Deep Learning liefert genau das. Mit den fortschrittlichen Vision-Tools von HD Vision Systems und der Modularität der Bosch Rexroth CtrlX-Plattform stehen Herstellern leistungsstarke Objekterkennungslösungen zur Verfügung, die mit ihren Anforderungen wachsen.

Egal ob Nachrüstung bestehender Anlagen oder Neuplanung – jetzt ist der richtige Zeitpunkt, die Kraft KI-gesteuerter Bildverarbeitung zu nutzen. Wir freuen uns, Sie dabei zu begleiten.

Continue reading:

Share This