Industrial Image Learning

Machine-Learning in der Bildverarbeitung für Produktion und Industrie

In den letzten Jahren wird der Einsatz von Deep-Learning-Verfahren extrem erfolgreich im Bereich der Bildverarbeitung eingesetzt. Neben Deep-Learning existieren aber noch eine Vielzahl von anderen Machine-Learning-Verfahren wie z.B. Support-Vector-Machine. Eine Herausforderung stellt sich bei all diesen Methoden an die Entwickelnden: Wie setzt man diese Algorithmen sicher und stabil für die optische Qualitätssicherung in der Produktion ein? Diese Herausforderung ergibt sich an den Besonderheiten vieler Lernverfahren:

 

Hybride Verfahren und »klassische« Lösungen zum Erfolg

Methoden, wie etwa das »Deep Learning« erfordern eine hohe Anzahl von annotierten Daten z.B. von den in einer Produktionsanlage zu findenden Defekten. Nun ist es aber so, dass in einer gut funktionierenden Produktion viele Bilder von fehlerfreien Produkten vorhanden sind, aber nur wenige von Produkten mit Defekten. Eine Möglichkeit ist dann, eine Datenaugmentierung vorzunehmen – d.h.  auf Basis der echten Fehlerdaten werden künstliche Fehlerdatenbanken erzeugt.

Eine andere Lösung wäre es die Defekte mathematisch zu beschreiben und dann dieses Modell zu lernen. Schwierig ist es auch, die Prüfschärfe von einem auf Machine-Learning basierenden Inspektionssystem während der Produktion zu ändern, um z.B. bestimmte Qualitätsniveaus einzustellen. Wir setzten deshalb häufig Hybride aus den »klassischen« parametrisierbaren Verfahren (Filter, Morphologie, Kantendetektoren) und Machine-Learning ein.

Neben Lösungen für die Produktion, bieten wir natürlich auch »typsiche« Machine-Learning Lösungen für die Bildverarbeitung an. Häufig sind dies Projekte, in denen aktuell riesige Bilddatenmengen manuell verarbeitet werden und dieser Prozess durch eine Software automatisiert werden soll.

Übersicht Beispielprojekte

 

Fraunhofer-Leitprojekt ML4P

Machine Learning for Production

Im Leitprojekt ML4P bündeln sieben Fraunhofer-Institute ihre umfangreichen Erfahrungen im Bereich Machine Learning.

 

AEROS

Ziel des Projektes war die automatische Erfassung und Positionsbestimmung von relevanten Objekten im Straßenraum, wie z.B. von Verkehrszeichen, Ampeln, Fahrbahnmarkierungen und Schutzplanken.  

 

Action Recognition

Handlungen und Aktionen von Personen sind ein wichtiger Teil von Spielfilmen und Videos. Die automatische Erkennung und Zuordnung dieser Aktionen ist eine wesentliche Komponente von Systemen zur inhaltsbasierten Videoanalyse.

 

Video Detection & Retrieval

Wir haben zusammen mit Projektpartnern vom BR und der Firma AVID eine automatische Videodetektion entwickelt, mit der man die Szenen einzelner Video-Clips in Sendungen finden kann.

 

Hyperspektrale Bildverarbeitung

Hypermath