Ein Einblick in Bildverarbeitung, Computer Vision und maschinelles Sehen

KI kann zur Analyse verschiedenster Daten eingesetzt werden. Bei visuellen Daten wie Bildern und Videos fällt dies in den Bereich der Bildanalyse, bei der verschiedene Technologien zum Einsatz kommen. Bildverarbeitung, Computer Vision und maschinelles Sehen ermöglichen es Computern, die Welt durch die Analyse von Bildern und Videoframes zu sehen und zu verstehen. Obwohl diese drei Technologien ähnlich erscheinen, unterscheiden sie sich in wichtigen Punkten und eignen sich daher für verschiedene Anwendungen. Die Bildverarbeitung konzentriert sich auf die Bearbeitung und Verbesserung von Bildern und Videoframes, während Computer Vision einen Schritt weitergeht und diese verarbeiteten Bilder nutzt, damit Computer deren Inhalt interpretieren und verstehen können. Maschinelles Sehen wendet dagegen Computer-Vision-Techniken gezielt in industriellen Umgebungen an, etwa für Inspektionen und Qualitätskontrollen.

Abb. 1. Die wichtigsten Technologien zur Analyse visueller Daten.

Diese drei Bereiche ermöglichen verschiedene Anwendungen in zahlreichen Branchen, etwa im Gesundheitswesen, in der Fertigung und in der Landwirtschaft. In diesem Artikel befassen wir uns mit Bildverarbeitung, Computer Vision und maschinellem Sehen und erläutern ihre Unterschiede. Außerdem zeigen wir, wie sie funktionieren und in verschiedenen Branchen eingesetzt werden.

Was ist Bildverarbeitung?#

Beginnen wir mit der grundlegenden Technik, die sowohl Computer Vision als auch maschinellem Sehen zugrunde liegt: der Bildverarbeitung. Dabei werden Algorithmen eingesetzt, um digitale Bilder zu bearbeiten und zu verbessern. Parameter wie Helligkeit, Kontrast und Farbbalance werden angepasst oder Bildrauschen wird herausgefiltert, damit die Bilder für weiterführende Analysen und Interpretationen bereit sind.

Sehen wir uns an, wie das funktioniert. Bei der Bildverarbeitung werden Bilder in einzelne Pixel zerlegt, die anschließend bearbeitet werden, um gewünschte Effekte zu erzielen. Um ein Bild beispielsweise aufzuhellen, kann der Algorithmus die Intensität jedes Pixels erhöhen. Für die Kantenerkennung kann er nach plötzlichen Änderungen der Pixelwerte suchen. Mithilfe mathematischer Operationen und Algorithmen auf diesen Pixeln lässt sich die Bildqualität verbessern, lassen sich Informationen extrahieren oder neue Bilder erzeugen.

Bildverarbeitungstechniken sind auch für die Datenverarbeitung und die Erstellung visueller Datensätze mit klaren, hochwertigen Bildern unverzichtbar und helfen Computer-Vision- und maschinellen Sehsystemen bei deren präziser Analyse. Bibliotheken wie OpenCV und MATLAB bieten leistungsstarke Frameworks, die diese Bildverarbeitungstechniken Entwicklern und Forschern in vielen Bereichen zugänglich machen.

Hier sind einige gängige Bildverarbeitungstechniken:

• Filterung: Filter werden eingesetzt, um Bildrauschen zu reduzieren, indem Schwankungen und Verzerrungen geglättet werden. Zu den gängigen Filtern gehören Gauß-Filter zum Weichzeichnen und Medianfilter zum Entfernen von Salz-und-Pfeffer-Rauschen, das als zufällige weiße und schwarze Pixel auftritt.
• Kantenerkennung: Sie dient dazu, die Grenzen von Objekten in einem Bild zu erkennen, indem starke Änderungen der Pixelintensität erfasst werden. Anwendungen wie die medizinische Bildgebung nutzen Kantenerkennung, um die Struktur von Organen und Tumoren zu umreißen.
• Schwellwertverfahren: Bei der Schwellwertverarbeitung wird ein Graustufenbild durch Festlegen eines Schwellenwerts in ein Binärbild umgewandelt. Pixel oberhalb des Schwellenwerts werden weiß (1), Pixel darunter schwarz (0).

Abb. 2. Ein Graustufenbild vor und nach der Anwendung eines Schwellwerts.

Anwendungsbeispiel für die Bildverarbeitung#

Die Bildrestaurierung ist ein anschauliches Beispiel für eine Anwendung der Bildverarbeitung. Dabei wird ein Bild wiederhergestellt, das im Laufe der Zeit beschädigt wurde. Techniken wie Filterung und Rauschreduzierung entfernen Markierungen, Kratzer, Flecken und Gebrauchsspuren und bringen das beschädigte Bild wieder auf seine ursprüngliche Qualität. Die Bildrestaurierung ist besonders hilfreich, wenn Bilder von schlechter Qualität oder beschädigt sind, etwa bei alten Fotografien.

Abb. 3 Mit Bildverarbeitung lassen sich alte beschädigte Bilder restaurieren.

Was ist Computer Vision?#

Anders als die Bildverarbeitung, die sich auf das Ändern und Verbessern von Bildern konzentriert, versetzt Computer Vision Computer in die Lage, die reale Welt zu sehen und zu verstehen. Viele Anwendungen nutzen Computer Vision, um Objekte und Personen in Bildern oder Videoframes zu erkennen und zu verstehen. Dabei wird versucht nachzubilden, wie wir das, was wir um uns herum sehen, erfassen.

Computer Vision kann Aufgaben wie die Überwachung automatisieren. Sie hat außerdem zahlreiche praktische Anwendungen, etwa Gesichtserkennung, medizinische Bildgebung und autonome Fahrzeuge. Computer-Vision-Modelle werden mit Deep-Learning-Verfahren trainiert, um komplexe Merkmale und Muster aus umfangreichen Bilddatensätzen zu extrahieren und zu erkennen. Verschiedene Branchen setzen diese trainierten Modelle, etwa Ultralytics YOLOv8, anschließend für unterschiedliche Aufgaben wie Objekterkennung und Objektverfolgung ein.

Abb. 4. Ein Beispiel für die Objekterkennung mit Ultralytics YOLOv8.

So nutzen etwa selbstfahrende Autos wie Tesla Computer Vision, um sich in der realen Welt zurechtzufinden. Die Aufnahmen der bordeigenen Kameras werden mit Computer Vision verarbeitet. Computer-Vision-Aufgaben wie Objekterkennung und -verfolgung sowie Segmentierung sind entscheidend, um Verkehrssituationen und die Umgebung zu erfassen. Eine weitere interessante Anwendung ist die Gesichtserkennung. Computer Vision kann Gesichtsmerkmale in Bildern analysieren und erkennen, indem das Gesicht einer Person in einem Bild oder Video erfasst, wichtige Merkmale identifiziert und mit einer Datenbank gespeicherter Gesichtsdaten verglichen wird.

Was ist maschinelles Sehen?#

Maschinelles Sehen kommt in industriellen Umgebungen wie großen Fertigungsbetrieben oder Produktionsstätten zum Einsatz, etwa zur Sicherstellung der Produktqualität und zur Prüfung, ob Etiketten und Barcodes auf fertigen Produkten korrekt sind. Maschinelles Sehen ist ein spezialisierter Bereich der Computer Vision, der für einen zuverlässigen Betrieb unter schwierigen Bedingungen auf robuste Hardware angewiesen ist. Da diese Systeme in industrielle Anwendungen integriert sind, sind hohe Geschwindigkeit und Genauigkeit in Echtzeit unerlässlich.

Sehen wir uns an, wie das funktioniert. Zunächst werden Daten mit einer oder mehreren hochauflösenden Kameras erfasst. Diese Kameras können auch spezielle Funktionen wie Infrarot- oder Wärmebildtechnik bieten. Anschließend werden die erfassten Daten mit Computer-Vision-Techniken analysiert, um die benötigten Informationen zu extrahieren. Je nach Anwendung umfassen diese Informationen typischerweise Angaben zur Identität, Form, Größe und Bewegung von Objekten sowie zu Mustern und möglichen Anomalien in der Szene.

Anwendungsbeispiel für maschinelles Sehen#

Die Qualitätskontrolle in Fertigungslinien stellt sicher, dass nur hochwertige Produkte die Kundschaft erreichen. Das steigert die Kundenzufriedenheit und den Gewinn. Herkömmliche Methoden beruhen oft auf manuellen Prüfungen, die sehr zeitaufwendig und anfällig für menschliche Fehler sein können. Eine mangelhafte Qualitätskontrolle kann außerdem zu Produktionsverzögerungen und finanziellen Verlusten führen und den Ruf eines Unternehmens beeinträchtigen. Eine gute Lösung ist die Automatisierung von Aufgaben wie Oberflächenprüfung, Etikettenkontrolle und Objektpositionierung mithilfe maschinellen Sehens.

In der Pharmaindustrie ist die Produktqualität beispielsweise entscheidend, und strenge Vorschriften sorgen für die Einhaltung hoher Standards. Maschinelles Sehen kann sicherstellen, dass Blisterpackungen die korrekte Anzahl an Tabletten enthalten, indem geprüft wird, ob jede Packung genau die richtige Menge enthält, zum Beispiel zehn Tabletten in einer Zehnerpackung. Ein Computer-Vision-Modell wie YOLOv8, das mit einem Datensatz wie Medical Pills trainiert wurde, kann die Tabletten erkennen und mithilfe der Objekterkennung zählen.

Abb. 5. Maschinelles Sehen kann für die Qualitätskontrolle in der Pharmaindustrie eingesetzt werden.

Es ist jedoch wichtig, sich über einige Einschränkungen des maschinellen Sehens im Klaren zu sein. In industriellen Umgebungen benötigen Systeme für maschinelles Sehen häufig ausgezeichnete Lichtverhältnisse, um Produkte auszuleuchten. Für die Datenerfassung und eine schnellere Analyse sind außerdem hochwertige Kameras, Prozessoren und Hardwarebeschleuniger erforderlich. Da diese Systeme speziell für praktische Aufgaben in industriellen Umgebungen konzipiert sind, kann ihre Einrichtung teuer sein.

Die wichtigsten Unterschiede zwischen Bildverarbeitung, Computer Vision und maschinellem Sehen#

Nachdem wir alle drei Technologien einzeln besprochen und einige ihrer Anwendungen betrachtet haben, vergleichen wir sie nun direkt miteinander.

Abb. 6 Direkter Vergleich von Bildverarbeitung, Computer Vision und maschinellem Sehen.

Bildverarbeitung eignet sich am besten für Aufgaben wie die Anpassung der Helligkeit oder die Rauschfilterung, die wenig Rechenleistung erfordern und kein Verständnis komplexer visueller Informationen voraussetzen. Computer Vision hingegen kann aussagekräftige Erkenntnisse aus Bildern gewinnen und komplexe Szenen verarbeiten, benötigt aber mehr Rechenressourcen und ist komplexer. Maschinelles Sehen wiederum ist auf industrielle Anwendungen wie automatisierte Inspektionen zugeschnitten und wird oft durch spezialisierte und kostspielige Systeme unterstützt.

Das große Ganze im Blick#

Bildverarbeitung, Computer Vision und maschinelles Sehen sind eng miteinander verwandt, erfüllen jedoch jeweils unterschiedliche Zwecke. Die Bildverarbeitung verbessert und verändert Bilder auf Pixelebene und eignet sich daher besonders für Aufgaben wie die Bildrestaurierung.

Computer Vision geht noch einen Schritt weiter und versetzt Computer in die Lage, visuelle Daten zu verstehen und zu interpretieren. Sie ist entscheidend für Anwendungsfälle wie Gesichtserkennung und selbstfahrende Autos. Maschinelles Sehen hingegen wird gezielt in industriellen Anwendungen eingesetzt. Es automatisiert industrielle Prozesse wie Prüfungen und Qualitätskontrollen.

Wenn du diese Technologien und ihre Unterschiede verstehst, kannst du die am besten geeignete Lösung für deine Anwendungen wählen und so die Effizienz und die Ergebnisse verbessern.

Lass uns gemeinsam lernen und entdecken! Sieh dir unser GitHub-Repository an, um mehr über unsere Beiträge zur KI zu erfahren, und beteilige dich an unserer Community. Entdecke, wie wir Branchen wie die Fertigung und das Gesundheitswesen mit KI-Technologie neu gestalten.