Heute nutzen Hersteller und Logistikunternehmen aller Branchen die kombinierte Leistung von KI und Bildverarbeitung, um sich einen Wettbewerbsvorteil zu verschaffen. Durch den gleichzeitigen Einsatz dieser beiden Technologien können Unternehmen ihre Prozesse besser automatisieren, ihre Effizienz optimieren und die Qualitätskontrolle verbessern.
KI erweitert die regelbasierte Bildverarbeitung um eine bildbasierte Analyse. Wenn ein Bildverarbeitungssystem ein Bild erhält, vergleicht die KI-Software dieses Bild mit einer Datenbank, die aus “guten” und “schlechten” Referenzbildern besteht, und gibt ein Ergebnis aus. Dieser Prozess des Lernens, Muster zu erkennen und aus Referenzbildern Informationen abzuleiten, ermöglicht es Bildverarbeitungssystemen, zwischen zulässigen und nicht zulässigen Anomalien in den zu prüfenden Objekten zu unterscheiden.
Darüber hinaus erfordern Bildverarbeitungslösungen, die mit KI-Technologie ausgestattet sind, im Vergleich zu regelbasierten Ansätzen weniger umfangreiche Programmier- und Fachkenntnisse. Zwei führende Technologien innerhalb der KI – Edge Learning und Deep Learning – tragen dazu bei, die Automatisierung hochvariabler Aufgaben weiter zu vereinfachen und Aufgaben zu bewältigen, die zu kompliziert und zeitaufwändig sind, um sie mit regelbasierten Algorithmen zu programmieren.
Die Verarbeitung erfolgt direkt auf dem Gerät oder „at the edge“ (an der Peripherie) mit einer Reihe von vorab trainierten Algorithmen. Die Technologie ist einfach einzurichten und erfordert kleinere Bildsätze (lediglich 5 bis 10 Bilder) und kürzere Trainingszeiten als herkömmliche Deep-Learning-basierte Lösungen. Da keine Fachkenntnisse erforderlich sind, können auch Laien in der Bildverarbeitung Edge-Learning-Tools trainieren und innerhalb von Minuten Prüfungsergebnisse erhalten.
Die Verarbeitung erfolgt über einen Grafikprozessor (GPU), der es dem Anwender ermöglicht, aus großen, detaillierten Bildsätzen (Hunderte bis Tausende von Bildern) anspruchsvolle neuronale Netzwerke zu erstellen. Mithilfe dieser neuronalen Netzwerke analysiert Deep Learning schnell und effizient große Bildmengen, um subtile, variable Defekte zu erkennen.
