Machine Learning Komplettlösung von IDS

Dass der Einstieg in Deep Learning – ein von der klassischen Bildverarbeitung abweichender Ansatz – einfach möglich ist, zeigt IDS mit seiner Machine Learning Komplettlösung. IDS Imaging Development Systems

Computer Vision und Bildverarbeitung sind zu unabdingbaren Werkzeugen in unterschiedlichen Bereichen geworden. Die bildverarbeitenden Systeme bekommen es mehr und mehr mit stetig wachsender Produkt- und Variantenvielfalt und organischen Objekten wie Obst, Gemüse oder Pflanzen zu tun. Regelbasierte Bildverarbeitung stößt hier schnell an ihre Grenzen, wenn Bilddaten zu häufig variieren und Unterschiede nicht oder nur schwierig durch Algorithmen abzubilden sind. Eine robuste Automatisierung ist in solchen Fällen durch ein Regelwerk nicht realisierbar – auch wenn es sich dabei um eine für Menschen vermeintlich einfach zu lösende Aufgabe handelt.

Machine Learning erlaubt einer Maschine, Dinge über Beispiele beizubringen, anstatt über viele Instruktionen.

Machine Learning erlaubt einer Maschine, Dinge über Beispiele beizubringen, anstatt über viele Instruktionen. IDS Imaging Development Systems

Die Fähigkeit, flexibel und selbstständig zu entscheiden, ist durch maschinelles Lernen heute auch auf Bildverarbeitungssysteme übertragbar. Wie ein Mensch, lernt und entscheidet eine solche „intelligente Automatisierung“ anhand von Erfahrungswerten. Mit neuronalen Netzen und Deep Learning Algorithmen lässt es sich einem Computer beibringen, Objekte zu sehen, wieder zu erkennen und aus dem Gelernten Schlussfolgerungen zu ziehen.

Mit Ki-basierter Bildverarbeitung können auch variantenreiche, organische Objekte wie Obst und Gemüse sehr einfach klassifiziert werden.

Mit Ki-basierter Bildverarbeitung können auch variantenreiche, organische Objekte wie Obst und Gemüse sehr einfach klassifiziert werden. IDS

Der wesentliche Unterschied zur regelbasierten Bildverarbeitung (BV) liegt in der Art und Weise wie und von wem Bildmerkmale identifiziert werden und wie das erlernte Wissen repräsentiert wird. Beim klassischen beziehungsweise „symbolischen Ansatz“ liegt es in der Hand eines Bildverarbeitungsspezialisten, die für ihn ausschlaggebenden Bildmerkmale zu selektieren und bestimmten Regeln folgend zu beschreiben. Es braucht viele Zeilen Quellcode, um zu beschreiben, wie eine Aufgabe zu lösen ist. Die eigentliche geistige Leistung liegt beim BV-Experten.

Ganz anders ist das Vorgehen bei der Arbeit mit neuronalen Netzen: Deren Vorteil liegt genau darin, selbständig zu „lernen“, welche Bildmerkmale wichtig sind. Dies ist der „nicht-symbolische Ansatz“, da das Wissen nur implizit vorliegt und keinen Einblick in die erlernten Lösungswege zulässt. Welche Merkmale gespeichert, wie sie gewichtet und welche Schlussfolgerungen getroffen werden, beeinflussen lediglich die Menge und die Inhalte der Trainingsbilder. Deep Learning Algorithmen erkennen und analysieren die gesamten Bildinhalte und setzen diese je nach Häufigkeit des Auftretens in Beziehung zu den zu lernenden „Begriffen“. Die statistische Häufigkeit erzeugt beim Training das, was Erfahrung genannt wird.

Neue Herausforderungen für die Bildverarbeitung

Für die Entwicklung von Machine Vision Anwendungen auf KI-Basis ist ein Umdenken erforderlich. Es ist wichtig zu verstehen, dass die Qualität der Ergebnisse – sprich die Geschwindigkeit und Zuverlässigkeit in der Erkennung von Objekten – davon abhängt, was ein neuronales Netz lernt und was es daraus erkennt und schlussfolgert. Die Verantwortung, die beim klassischen Ansatz bei einem Bildverarbeitungsspezialisten lag, übernimmt beim Machine Learning ein Datenspezialist.

Also welche Fähigkeiten werden benötigt, um Machine Learning ins eigene Unternehmen zu bringen? Bricht man die Entwicklung einer KI-Anwendung in einzelne Schritte herunter, offenbaren sich tatsächlich Aufgaben und Begrifflichkeiten, die verglichen mit dem klassischen Ansatz gänzlich neu zu lernen sind. Der Umgang und die Vorbereitung der Bilddaten sowie das Training neuronaler Netze erfordern neue Tools und Entwicklungsframeworks. Und obwohl notwendige Anleitungen und Open Source Quellen bei Cloud-Anbietern oder auf Plattformen wie Github frei zur Verfügung, wird ein hohes Maß an Erfahrung voraussetzt.

Sofort loslegen mit der Machine-Learning-Komplettlösung

IDS NXT ocean ebnet die Einstiegshürde mit einfach nutzbaren Werkzeugen.

IDS NXT ocean ebnet die Einstiegshürde mit einfach nutzbaren Werkzeugen. IDS Imaging Development Systems

Doch IDS möchte den Anwender schon bei den ersten Schritten mit der neuen Technologie unterstützen. Eine Inferenzkamera-Komplettlösung ermöglicht Anwendern den Soforteinstieg in die KI-basierte Bildverarbeitung. IDS NXT ocean senkt die Einstiegshürde und stellt einfach nutzbare Werkzeuge bereit, mit denen jeder Anwender ohne viel Vorwissen Inferenzaufgaben in wenigen Minuten erstellen und sofort auf einer Kamera ausführen kann.

Das Konzept basiert auf drei Komponenten:

  • Einer einfach bedienbaren Trainingssoftware für neuronale Netze,
  • einer intelligenten Kameraplattform
  • inklusive eines KI-Beschleunigers, der die Ausführung neuronaler Netze hardwareseitig beschleunigt.

Alle Komponenten sind von IDS selbst entwickelt und aufeinander abgestimmt. Das macht es für den Anwender einfach und das Gesamtsystem leistungsfähig.

Schneller Erfolg durch das Zusammenspiel von Software und Hardware

Schneller Erfolg durch das Zusammenspiel von Software und Hardware IDS Imaging Development Systems

Die cloudbasierte Trainigssoftware IDS NXT lighthouse führt den Anwender Schritt für Schritt durch die Datenvorbereitung bis zum Training seiner eigenen künstlichen Intelligenz in Form eines neuronalen Netzes. Dabei kommen Anwender niemals in Kontakt mit Basiswerkzeugen oder müssen sich mit der Installation von Entwicklungsumgebungen auseinandersetzen. Als Webanwendung ist IDS NXT lighthouse sofort einsatzbereit. Dem Anwender stehen für seine Projekte immer genügend Speicherplatz und ausreichend Trainings-Performance zur Verfügung. Einloggen, Bilder hochladen, labeln und anschließend das gewünschte Netz trainieren. Kunden profitieren von der Rechenzentrums- und Netzwerkarchitektur von deutschen Servern der Amazon Web Services (AWS). Mit wenigen Konfigurationseinstellungen spezifiziert der Anwender in einfachen Dialogen die Anforderungen für Geschwindigkeit und Genauigkeit an seine Anwendung. Netzauswahl und Einrichtung der notwendigen Trainingsparameter nimmt IDS NXT lighthouse daraufhin selbständig vor. Das System wird kontinuierlich ausgebaut. Ohne Update und Wartungsphasen einplanen zu müssen, steht jedem Anwender die aktuellste Version der Software zur Verfügung. Der Anwender kann sich somit auf die Lösung seiner Anwendung konzentrieren, ohne das Wissen über Lernmethoden und künstliche Intelligenz selbst aufbauen zu müssen.

Wie die neuronalen Netze trainert werden, lesen Sie auf Seite 2

Seite 1 von 212