AutomationEVT EyeVision: Deep Learning in der Bildverarbeitung - Einsatz gegen Covid-19
Was Babys schon nach wenigen Monaten können, stellt für klassische Bildverarbeitungsprogramme ein Problem dar: Gesichtserkennung. Der Grund dafür ist die Funktionsweiße der klassischen Bildverarbeitung – Aufgaben werden in Teilaufgaben überführt, die dann mathematisch beschrieben werden können, was schlussendlich zu einem eindeutigen Ergebnis führt. Diese Methode funktioniert sehr gut, wenn beispielsweise ein Objekt gesucht wird, das eindeutig beschrieben werden kann. Durch einen einfachen Mustervergleich kann das Bildverarbeitungssystem dieses Objekt in einem aufgenommenen Bild leicht erkennen und identifizieren.
Fiebermessung mit EyeVisionThermo.
Schwierig wird es für die klassische Bildverarbeitung dann, wenn das gesuchte Objektiv nicht eindeutig beschrieben werden kann, weil das Objekt in abgewandelter Form auftreten kann. Hier bekommt dann der Ansatz des Deep Learnings seine Chance. Deep Learning ist besonders dafür geeignet, Aufgaben auszuführen, die zwar für den Menschen leicht zu lösen sind, sich aber nur sehr schwer durch eine mathematische Regel beschreiben lassen. So sind beispielsweise Gesichter einzigartig. Leistungsstarke Bildverarbeitungssysteme können zwar eventuelle Muster sehr ähnlicher Gesichter erkennen, stoßen hier aber recht schnell an ihre Grenzen. Die Lösung für solche Aufgaben ist es, wie beim Menschen auch, aus Beispielen zu lernen. Je mehr Beispiele das System zur Verfügung gestellt bekommt, umso mehr lernt es dazu und umso exakter und zuverlässiger fällt das Ergebnis aus.
Das „Hydra“ genannte System besitzt zwei Kameras sowie eine Kontrolleinheit, auf welcher die Software EyeVision installiert ist.
Die Gesichtserkennung ist hierfür ein ideales Beispiel. Es gibt auf der Welt unendlich viele Varianten. Ein entsprechendes Deep Learning-Verfahren lernt nun mit jedem Trainingsbeispiel und wird Stück für Stück verlässlicher. EVT bietet in seiner Software EyeVision auf Basis des Deep Learnings die Erkennung von Gesichtern an. Dabei spielt es keine Rolle, ob nur einzelne Menschen oder ganze Gruppen aufgenommen werden. Das Tool erkennt sicher alle Gesichter und wird von Bild zu Bild immer robuster.
Das Innenleben des Hydra-Systems.
Eine aktuelle Anwendung hierfür findet sich leicht in der Entwicklung von Hygienekonzepten während der Covid-19 Pandemie. Wird die Kamera auf einen Bereich gerichtet, z. B. den Eingang eines Supermarktes, werden die Gesichter aller Personen, die den Supermarkt betreten, erkannt. Diese Positionsdaten werden dann einem Thermografie-System übermittelt. Die Wärmebildkamera misst die Temperatur, beispielsweise direkt zwischen den Augen. Wird hier bei einer Person eine erhöhte Temperatur ermittelt, kann das reale Bild des Gesichts einem Mitarbeiter auf ein Display übermittelt werden, der dann die entsprechende Person anspricht und den Zugang verwehrt.
EVT hat dieses System in einem kompakten Gehäuse untergebracht. Das „Hydra“ genannte System besitzt zwei Kameras (eine klassische bildgebende Kamera und eine Thermografie-Kamera) sowie eine Kontrolleinheit, auf welcher die Software EyeVision installiert ist. Wenn nun die PTT-Software (People Thermal Tracker) initialisiert ist, kann Hydra von weniger erfahrenen Benutzern installiert und ganz einfach in Betrieb genommen werden. Hydra kann aber auch in der industriellen Umgebung ihren Einsatz finden, wo neben der klassischen Bildverarbeitung auch Temperaturen an dedizierten Stellen im Bild, die wichtig für eine Entscheidung sind, gemessen werden. Beispielhaft sei hier eine Schweißnahtprüfung genannt. Hier kann neben der optischen Prüfung auch eine thermografische Prüfung erfolgen, bei der die Temperaturverteilung Aufschluss über Hohlstellen gibt.
Deep Learning kann aber auch bei der Begutachtung von Schnittholz (Parkett) als sehr nützliches Hilfsmittel Verwendung finden. Es wird die Homogenität vermessen, um beispielsweise nicht allzu viele Unregelmäßigkeiten zuzulassen. Aber Achtung: Wie bei jedem System gibt es Grenzen, die zu respektieren sind und für dessen Einhaltung Vorkehrungen getroffen werden müssen. Werden nämlich beispielsweise immer mehr Astlöcher dem System vorgeführt, so kann es durchaus sein, dass diese dann irgendwann als selbstverständlich und somit als gut betrachtet werden und die Qualitätssicherung ad absurdum geführt wird. Ein erfahrener Bildverarbeiter ist sich aber dessen bewusst und wird in seiner Programmierung Vorkehrungen treffen, damit es nicht zu diesem Worst-Case-Szenario kommt. Deep Learning ist ein gewaltiger Fortschritt in der industriellen Bildverarbeitung, aber es ist, wie jedes Werkzeug, mit Verantwortung und Weitsicht einzusetzen.
Teilen: · · Zur Merkliste