Computer-Vision-Kameras und ihre Anwendungen

Viele technische Faktoren wie Daten, Algorithmen und Rechenleistung tragen zum Erfolg einer Anwendung für künstliche Intelligenz (AI) bei. Insbesondere bei Computer Vision, einem Teilgebiet der AI, das Maschinen dazu befähigt, Bilder und Videos zu analysieren und zu verstehen, ist einer der kritischsten Faktoren die Eingabe- oder Datenquelle: die Kamera. Die Qualität und der Typ der für eine Computer-Vision-Anwendung eingesetzten Kameras wirken sich direkt auf die Leistung von AI-Modellen aus.

Die Wahl der richtigen Kamera ist entscheidend, weil unterschiedliche Computer-Vision-Aufgaben unterschiedliche Arten von visuellen Daten erfordern. Beispielsweise werden hochauflösende Kameras für Anwendungen wie Gesichtserkennung eingesetzt, bei denen feine Gesichtsdetails mit Präzision erfasst werden müssen. Kameras mit geringerer Auflösung können dagegen für Aufgaben wie die Warteschlangenüberwachung verwendet werden, bei denen breitere Muster wichtiger sind als komplexe Details.

Heutzutage sind viele Arten von Kameras erhältlich, die jeweils auf bestimmte Anforderungen ausgelegt sind. Wenn du ihre Unterschiede verstehst, kannst du deine Computer-Vision-Innovationen besser optimieren. Sehen wir uns die verschiedenen Typen von Computer-Vision-Kameras und ihre Anwendungen in unterschiedlichen Branchen an.

RGB-Kameras für Computer Vision#

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

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

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

RGB-D-Kameras im Einzelhandel#

Eine interessante Anwendung, bei der RGB-D-Kameras nützlich sein können, sind virtuelle Anproben, ein Konzept, das im Einzelhandel immer beliebter wird. Vereinfacht gesagt können intelligente Bildschirme mit integrierten RGB-D-Kameras und Sensoren Details wie die Körpergröße, Körperform und Schulterbreite einer Kundin oder eines Kunden erfassen. Mithilfe dieser Informationen kann das System Kleidung digital über ein Livebild der Kundin oder des Kunden legen. Computer-Vision-Aufgaben wie Instanzsegmentierung und Posenschätzung können die visuellen Daten verarbeiten, den Körper der Kundin oder des Kunden präzise erkennen und die Kleidung in Echtzeit passend zu den Proportionen ausrichten.

Abb. 2 Ein Beispiel für eine virtuelle Anprobe.

Virtuelle Anproben bieten Kundinnen und Kunden eine 3D-Ansicht davon, wie ein Outfit sitzen würde. Einige Systeme können sogar nachbilden, wie sich der Stoff bewegt, und so für ein realistischeres Erlebnis sorgen. Computer Vision und RGB-D-Kameras ermöglichen es Kundinnen und Kunden, die Umkleidekabine zu überspringen und Kleidung sofort anzuprobieren. Das spart Zeit, erleichtert den Vergleich von Stilen und Größen und verbessert insgesamt das Einkaufserlebnis.

Stereobildgebung und Laufzeitkameras (ToF) verstehen#

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

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

In einigen Fällen werden Stereokameras mit ToF-Sensoren kombiniert. So lassen sich die Stärken beider Geräte verbinden, um Tiefeninformationen schnell und mit hoher Präzision zu erfassen. Die Kombination aus den 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 Laufzeitkamera (ToF)#

Möglicherweise hast du bereits eine Laufzeitkamera (ToF) verwendet, ohne es zu bemerken. Tatsächlich verfügen beliebte Smartphones von Marken wie Samsung, Huawei und Realme häufig über ToF-Sensoren, um ihre Fähigkeiten zur Tiefenerfassung zu verbessern. Die präzisen Tiefeninformationen dieser Kameras werden genutzt, um den beliebten Bokeh-Effekt zu erzeugen, bei dem der Hintergrund unscharf dargestellt wird, während das Motiv scharf bleibt.

ToF-Sensoren werden auch für andere Anwendungen außerhalb der Fotografie immer wichtiger, etwa für die Gestenerkennung und erweiterte Realität (AR). So verwenden Smartphones wie das Samsung Galaxy S20 Ultra und das Huawei P30 Pro diese Sensoren, um die 3D-Tiefe in Echtzeit zu erfassen und dadurch sowohl die Fotografie als auch interaktive Erlebnisse zu verbessern.

Infrarot- und Wärmebildkameras zur Wärmeerkennung#

Wärmebildkameras werden, wie der Name schon sagt, in zahlreichen Anwendungen zur Wärmeerkennung eingesetzt, unter anderem in Industriebetrieben und Automobilwerken. Diese Kameras messen die Temperatur und können Benutzer alarmieren, wenn sie kritische Wärmepegel erkennen, die entweder zu hoch oder zu niedrig sind. Durch die Erfassung von für das menschliche Auge unsichtbarer Infrarotstrahlung liefern sie präzise Temperaturmesswerte. Ihre Einsatzmöglichkeiten gehen als Infrarotkameras bezeichnet über industrielle Umgebungen hinaus. Beispielsweise werden Wärmebildkameras auch in der Landwirtschaft eingesetzt, um die Gesundheit von Nutztieren zu überwachen, bei Bauwerksprüfungen zur Erkennung von Wärmelecks und bei der Brandbekämpfung, um Brandherde zu lokalisieren.

Abb. 4 Feuerwehrleute verwenden Wärmebildkameras, um Brandherde zu finden.

Wärmebildgebung für industrielle Anwendungen#

Maschinen und elektrische Systeme in Produktionsanlagen oder auf Öl- und Gasplattformen laufen häufig kontinuierlich und erzeugen als Nebenprodukt Wärme. Mit der Zeit kann sich in Komponenten wie Motoren, Lagern oder elektrischen Schaltkreisen übermäßig viel Wärme ansammeln, was möglicherweise zu Geräteausfällen oder Sicherheitsrisiken führt.

Wärmebildkameras können Betreiber dabei unterstützen, diese Systeme zu überwachen, indem sie ungewöhnliche Temperaturanstiege frühzeitig erkennen. Ein überhitzter Motor kann zur Wartung eingeplant werden, um kostspielige Ausfälle zu verhindern. Durch die Integration von Wärmebildgebung in regelmäßige Inspektionen können Unternehmen eine vorausschauende Wartung umsetzen, Ausfallzeiten reduzieren, die Lebensdauer der Geräte verlängern und für eine sicherere Arbeitsumgebung sorgen. Insgesamt lässt sich die Anlagenleistung verbessern und das Risiko unerwarteter Ausfälle minimieren.

Zeitlupen- und Hochgeschwindigkeitskameras zur Bewegungserfassung#

Hochgeschwindigkeitskameras sind darauf ausgelegt, mehr als 10.000 Bilder pro Sekunde (FPS) aufzunehmen, damit sie schnelle Bewegungen mit außergewöhnlicher Genauigkeit verarbeiten können. Wenn sich beispielsweise Produkte schnell auf einer Produktionslinie bewegen, lassen sich Hochgeschwindigkeitskameras einsetzen, um sie zu überwachen und etwaige Unregelmäßigkeiten zu erkennen.

Zeitlupenkameras können dagegen Aufnahmen mit hoher Bildrate erfassen und anschließend die Wiedergabegeschwindigkeit reduzieren. Dadurch können Betrachter Details beobachten, die in Echtzeit oft übersehen werden. Diese Kameras werden eingesetzt, um die Leistung von Schusswaffen und explosiven Materialien zu bewerten. Die Möglichkeit, komplexe Bewegungen zu verlangsamen und zu analysieren, ist für diese Art von Anwendung ideal.

In bestimmten Situationen kann die Kombination aus Hochgeschwindigkeits- und Zeitlupenkameras die detaillierte Analyse von sich schnell und langsam bewegenden Objekten innerhalb desselben Ereignisses ermöglichen. Nehmen wir an, wir analysieren ein Golfspiel. Hochgeschwindigkeitskameras können die Geschwindigkeit eines Golfballs messen, während Zeitlupenkameras die Bewegungen beim Golfschwung und die Körperkontrolle eines Golfspielers analysieren können.

Abb. 5 Einsatz von Computer Vision und Hochgeschwindigkeitskameras zur Analyse des Golfschwungs.

Multispektrale Bildgebung in Computer Vision#

Multispektrale Kameras sind spezialisierte Geräte, die mehrere Wellenlängen des Lichtspektrums, darunter ultraviolettes und infrarotes Licht, in einer einzigen Aufnahme erfassen können. Multispektrale Bildgebung liefert wertvolle, detaillierte Daten, die herkömmliche Kameras nicht erfassen können. Ähnlich wie hyperspektrale Kameras, die noch mehr schmale und kontinuierliche Lichtbänder erfassen, werden multispektrale Kameras in Bereichen wie der Landwirtschaft, Geologie, Umweltüberwachung und medizinischen Bildgebung eingesetzt. Im Gesundheitswesen können multispektrale Kameras beispielsweise verschiedene Gewebe sichtbar machen, indem sie Bilder über mehrere Wellenlängen hinweg erfassen.

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

Auch Drohnen mit multispektraler Bildgebung erzielen in der Landwirtschaft erhebliche Fortschritte. 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 im Allgemeinen mehr nahinfrarotes Licht als ungesunde Pflanzen. Durch den Einsatz solcher AI-Techniken in der Landwirtschaft können Landwirte frühzeitig Gegenmaßnahmen ergreifen, um den Ertrag zu steigern und Ernteverluste zu reduzieren.

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 wie Nebel, Regen, Dunkelheit und hohen Temperaturen effektiv, wobei schwierige Wetterbedingungen wie Regen oder Nebel ihre Leistung beeinträchtigen können. LiDAR wird häufig in Anwendungen wie selbstfahrenden Autos zur Navigation und Hinderniserkennung eingesetzt.

LiDAR fungiert wie die Augen des Autos, indem es Laserpulse aussendet und misst, wie lange sie für die Rückkehr benötigen. Diese Informationen helfen dem Auto, Entfernungen zu berechnen und Objekte wie Autos, Fußgänger und Ampeln zu erkennen, wodurch eine 360-Grad-Sicht für sichereres Fahren bereitgestellt wird.

Alles im Fokus#

Bei Computer Vision dienen Kameras als Augen, die Maschinen ermöglichen, die Welt ähnlich wie Menschen zu sehen und zu interpretieren. Die Wahl des richtigen Kameratyps ist entscheidend für den Erfolg verschiedener Computer-Vision-Anwendungen. Von standardmäßigen RGB-Kameras bis hin zu fortschrittlichen LiDAR-Systemen bietet jeder Typ einzigartige Eigenschaften für bestimmte Aufgaben. Wenn Entwickler und Forscher die Vielfalt der Kameratechnologien und ihre Einsatzmöglichkeiten verstehen, können sie Computer-Vision-Modelle besser optimieren, um komplexe Herausforderungen der realen Welt zu bewältigen.

Erfahre mehr über AI in unserem GitHub-Repository. Tritt unserer Community bei, um dich mit anderen gleichgesinnten Interessierten an Vision AI auszutauschen. Erfahre auf unseren Lösungsseiten mehr über Computer-Vision-Anwendungen im Gesundheitswesen und in der Fertigung.