Kameras für Computer Vision und ihre Anwendungen

Der Erfolg einer Anwendung künstlicher Intelligenz (AI) hängt von vielen technischen Faktoren wie Daten, Algorithmen und Rechenleistung ab. Bei Computer Vision, einem Teilgebiet der KI, das Maschinen die Analyse und das Verständnis von Bildern und Videos ermöglicht, gehört die Eingabe- beziehungsweise Datenquelle zu den wichtigsten Faktoren: die Kamera. Qualität und Art der Kameras, die für eine Computer-Vision-Anwendung eingesetzt werden, wirken sich direkt auf die Leistung der KI-Modelle aus.

Die Wahl der richtigen Kamera ist entscheidend, denn für unterschiedliche Computer-Vision-Aufgaben werden unterschiedliche Arten visueller Daten benötigt. Für Anwendungen wie die Gesichtserkennung, bei denen feine Gesichtsmerkmale präzise erfasst werden müssen, kommen beispielsweise hochauflösende Kameras zum Einsatz. Für Aufgaben wie die Warteschlangenüberwachung, bei denen allgemeine Muster wichtiger sind als feine Einzelheiten, können dagegen Kameras mit niedrigerer Auflösung verwendet werden.

Heutzutage gibt es viele Kameratypen, die jeweils für bestimmte Anforderungen entwickelt wurden. Wenn du ihre Unterschiede kennst, kannst du deine Computer-Vision-Projekte besser optimieren. Sehen wir uns die verschiedenen Arten von Computer-Vision-Kameras und ihre Anwendungen in unterschiedlichen Branchen an.

RGB-Kameras für Computer Vision im Überblick#

RGB-Kameras (Rot, Grün und Blau) werden häufig für Computer-Vision-Anwendungen eingesetzt. Sie erfassen Bilder im sichtbaren Spektrum mit Wellenlängen von 400 bis 700 Nanometern (nm). Da diese Bilder dem menschlichen Sehen ähneln, eignen sich RGB-Kameras für viele Aufgaben wie Objekterkennung, Instanzsegmentierung und Posenschätzung, bei denen eine menschenähnliche Sicht ausreicht.

Abb. 1. Übersicht zur Funktionsweise von RGB-Kameras.

Bei diesen Aufgaben geht es normalerweise darum, Objekte aus einer zweidimensionalen (2D) Perspektive zu identifizieren und zu erkennen. Für genaue Ergebnisse ist es dabei nicht nötig, die Tiefe zu erfassen. Wenn eine Anwendung jedoch Tiefeninformationen erfordert, etwa bei der 3D-Objekterkennung oder in der Robotik, kommen RGB-D-Kameras (Rot, Grün, Blau und Tiefe) zum Einsatz. Sie kombinieren RGB-Daten mit Tiefensensoren, um 3D-Details zu erfassen und Tiefenmessungen in Echtzeit bereitzustellen.

RGB-D-Kameras im Einzelhandel#

Ein interessantes Anwendungsbeispiel für RGB-D-Kameras sind virtuelle Anproben, die in Einzelhandelsgeschäften immer beliebter werden. Einfach ausgedrückt erfassen intelligente Bildschirme mit integrierten RGB-D-Kameras und Sensoren Angaben wie Körpergröße, Körperform und Schulterbreite der Kundschaft. Anhand dieser Informationen kann das System Kleidung digital in ein Livebild der Kundin oder des Kunden einblenden. Computer-Vision-Aufgaben wie Instanzsegmentierung und Posenschätzung verarbeiten die visuellen Daten, um den Körper der Kundin oder des Kunden genau zu erkennen und die Kleidung in Echtzeit an die jeweiligen Körpermaße anzupassen.

Abb. 2. Beispiel einer virtuellen Anprobe.

Virtuelle Anproben zeigen Kundinnen und Kunden in 3D, wie ein Kleidungsstück sitzt. Manche Systeme können sogar simulieren, wie sich der Stoff bewegt, um ein realistischeres Erlebnis zu ermöglichen. Dank Computer Vision und RGB-D-Kameras können Kundinnen und Kunden die Umkleidekabine überspringen und Kleidung sofort anprobieren. Das spart Zeit, erleichtert den Vergleich von Stilrichtungen und Größen und verbessert das Einkaufserlebnis insgesamt.

Stereobildgebung und Flugzeitkameras (ToF) verstehen#

Stereokameras erfassen Tiefe mithilfe mehrerer Bildsensoren, indem sie Bilder aus verschiedenen Blickwinkeln vergleichen. Sie sind genauer als Systeme mit nur einem Sensor. Laufzeitkameras oder -sensoren (ToF) messen dagegen Entfernungen, indem sie Infrarotlicht aussenden, das von Gegenständen reflektiert wird und zum Sensor zurückkehrt. Der Prozessor der Kamera berechnet anhand der Zeit, die das Licht für die Rückkehr benötigt, die Entfernung.

Abb. 3. Übersicht zur Funktionsweise von ToF-Kameras.

Manchmal werden Stereokameras mit ToF-Sensoren kombiniert. So vereinen sie die Vorteile beider Geräte und erfassen Tiefeninformationen schnell und präzise. Die Kombination aus Echtzeit-Entfernungsmessungen eines ToF-Sensors und der detaillierten Tiefenwahrnehmung einer Stereokamera eignet sich ideal für Anwendungen wie autonome Fahrzeuge und Unterhaltungselektronik, bei denen sowohl Geschwindigkeit als auch Genauigkeit entscheidend sind.

Ein alltägliches Beispiel für die Tiefenerfassung mit einer Flugzeitkamera (ToF)#

Vielleicht hast du schon einmal eine Flugzeitkamera (ToF) verwendet, ohne es zu merken. Tatsächlich verfügen beliebte Smartphones von Marken wie Samsung, Huawei und Realme häufig über ToF-Sensoren, die die Tiefenerfassung verbessern. Die präzisen Tiefeninformationen dieser Kameras erzeugen den beliebten Bokeh-Effekt: Der Hintergrund wird unscharf dargestellt, während das Motiv scharf bleibt.

ToF-Sensoren werden auch für immer mehr andere Anwendungen als die Fotografie unverzichtbar, zum Beispiel für die Gestenerkennung und die erweiterte Realität (AR). Smartphones wie das Samsung Galaxy S20 Ultra und das Huawei P30 Pro verwenden diese Sensoren beispielsweise, um die räumliche Tiefe in Echtzeit zu erfassen. Dadurch verbessern sie sowohl die Fotografie als auch interaktive Erlebnisse.

Infrarot- und Wärmebildkameras zur Erkennung von Hitze#

Wie der Name schon sagt, werden Wärmebildkameras in zahlreichen Anwendungen zur Wärmeerkennung eingesetzt, darunter in der Fertigungsindustrie und in Automobilwerken. Diese Kameras messen Temperaturen und können Nutzerinnen und Nutzer warnen, wenn sie kritische Werte erkennen, die zu hoch oder zu niedrig sind. Sie erfassen Infrarotstrahlung, die für das menschliche Auge unsichtbar ist, und liefern so präzise Temperaturmessungen. Wärmebildkameras werden oft auch Infrarotkameras genannt und kommen nicht nur in der Industrie zum Einsatz. In der Landwirtschaft überwachen sie beispielsweise die Gesundheit von Nutztieren, bei Gebäudeinspektionen helfen sie, Wärmeverluste zu erkennen, und bei der Brandbekämpfung dienen sie dazu, Glutnester aufzuspüren.

Abb. 4. Feuerwehrleute suchen mit Wärmebildkameras nach Glutnestern.

Wärmebildgebung für industrielle Anwendungen#

Maschinen und elektrische Anlagen in Fertigungsbetrieben oder auf Öl- und Gasförderanlagen laufen oft ununterbrochen und erzeugen dabei Wärme. Mit der Zeit kann sich in Bauteilen wie Motoren, Lagern oder Stromkreisen übermäßig viel Wärme stauen, was zu Geräteausfällen oder Sicherheitsrisiken führen kann.

Wärmebildkameras helfen Betreiberinnen und Betreibern, diese Anlagen zu überwachen und ungewöhnliche Temperaturanstiege frühzeitig zu erkennen. Ein überhitzter Motor kann zur Wartung eingeplant werden, um kostspielige Ausfälle zu verhindern. Durch die Integration der Wärmebildtechnik in regelmäßige Inspektionen können Unternehmen eine vorausschauende Wartung einführen, Ausfallzeiten verringern, die Lebensdauer von Geräten verlängern und für eine sicherere Arbeitsumgebung sorgen. Insgesamt lässt sich die Anlagenleistung verbessern und das Risiko unerwarteter Ausfälle minimieren.

Zeitlupen- und Hochgeschwindigkeitskameras für die Bewegungsanalyse#

Hochgeschwindigkeitskameras sind dafür ausgelegt, mehr als 10.000 Bilder pro Sekunde (FPS) aufzunehmen und schnelle Bewegungen detailgetreu festzuhalten. Wenn sich Produkte beispielsweise schnell über ein Fließband bewegen, können Hochgeschwindigkeitskameras sie überwachen und Unregelmäßigkeiten erkennen.

Zeitlupenkameras hingegen können Aufnahmen mit hoher Bildrate erstellen und anschließend langsamer abspielen. So lassen sich Einzelheiten erkennen, die in Echtzeit oft übersehen werden. Diese Kameras werden eingesetzt, um die Leistung von Schusswaffen und Sprengstoffen zu bewerten. Die Möglichkeit, komplexe Bewegungen zu verlangsamen und zu analysieren, macht sie für solche Anwendungen ideal.

In bestimmten Situationen ermöglicht die Kombination von Hochgeschwindigkeits- und Zeitlupenkameras eine detaillierte Analyse schneller und langsamer Objekte innerhalb desselben Ereignisses. Nehmen wir etwa ein Golfspiel. Hochgeschwindigkeitskameras können die Geschwindigkeit eines Golfballs messen, während Zeitlupenkameras die Schwungbewegungen und Körperhaltung eines Golfspielers analysieren können.

Abb. 5. Analyse eines Golfschwungs mit Computer Vision und Hochgeschwindigkeitskameras.

Multispektrale Bildgebung in der Computer Vision#

Multispektralkameras sind Spezialgeräte, die in einer einzigen Aufnahme mehrere Wellenlängen des Lichtspektrums erfassen können, darunter ultraviolette und infrarote Strahlung. Multispektrale Bildgebung liefert wertvolle, detaillierte Daten, die herkömmliche Kameras nicht erfassen können. Ähnlich wie Hyperspektralkameras, die noch schmalere und kontinuierliche Lichtbänder erfassen, werden Multispektralkameras in Bereichen wie der Landwirtschaft, der Geologie, der Umweltüberwachung und der medizinischen Bildgebung eingesetzt. Im Gesundheitswesen können Multispektralkameras beispielsweise unterschiedliche Gewebe sichtbar machen, indem sie Bilder mit mehreren Wellenlängen aufnehmen.

Abb. 6. Vergleich von RGB-, multispektraler und hyperspektraler Bildgebung.

Auch Drohnen mit multispektraler Bildgebung bringen die Landwirtschaft entscheidend voran. Sie können ungesunde Pflanzen oder Pflanzen, die von Insekten und Schädlingen befallen sind, frühzeitig erkennen. Diese Kameras können das nahe Infrarotspektrum analysieren. Gesunde Pflanzen reflektieren in der Regel mehr nahinfrarotes Licht als ungesunde Pflanzen. Durch den Einsatz solcher KI-Techniken können Landwirtinnen und Landwirte frühzeitig Gegenmaßnahmen ergreifen, um Erträge zu steigern und Ernteverluste zu verringern.

LiDAR-Kameras für autonome Fahrzeuge#

LiDAR-Kameras (Lichterkennung und Entfernungsmessung) verwenden Laserpulse, um 3D-Karten zu erstellen und Objekte aus der Entfernung zu erkennen. Sie funktionieren unter vielen Bedingungen gut, etwa bei Dunkelheit und hohen Temperaturen. Extreme Wetterbedingungen wie Regen oder Nebel können ihre Leistung jedoch beeinträchtigen. LiDAR wird häufig für Anwendungen wie selbstfahrende Autos eingesetzt, etwa zur Navigation und Hinderniserkennung.

LiDAR funktioniert wie die Augen des Autos: Das System sendet Laserpulse aus und misst, wie lange sie bis zur Rückkehr benötigen. Anhand dieser Informationen berechnet das Auto Entfernungen und erkennt Objekte wie Autos, Fußgänger und Ampeln. So erhält es eine Rundumsicht für sichereres Fahren.

Das Gesamtbild im Fokus#

Bei Computer Vision dienen Kameras als Augen, mit denen Maschinen die Welt ähnlich wie Menschen wahrnehmen und interpretieren können. Die Wahl des richtigen Kameratyps ist entscheidend für den Erfolg verschiedener Computer-Vision-Anwendungen. Von herkömmlichen RGB-Kameras bis hin zu modernen LiDAR-Systemen bietet jeder Typ einzigartige Funktionen für bestimmte Aufgaben. Wenn Entwicklerinnen, Entwickler und Forschende die verschiedenen Kameratechnologien und ihre Einsatzmöglichkeiten verstehen, können sie Computer-Vision-Modelle besser optimieren, um komplexe Herausforderungen in der realen Welt zu bewältigen.

Erfahre mehr über AI in unserem GitHub-Repository. Tritt unserer Community bei und tausche dich mit anderen aus, die sich für visuelle AI begeistern. Auf unseren Lösungsseiten erfährst du mehr über Anwendungen der Computer Vision im Gesundheitswesen und im verarbeitenden Gewerbe.