Verborgene Schätze
Einsatz von gespeicherten Bilddaten bietet deutlichen Mehrwert
Bilddaten sind ein Schatz, der für spätere Auswertungen und weiteren Mehrwert eine wesentliche Grundlage bilden kann. Die nähere Betrachtung liefert gleich mehrere Gebiete, in denen solche Bilddaten vorteilhaft eingesetzt werden können, z.B. maschinelles Lernen, der Vergleich von Visionsystemen oder der Inbetriebnahme.
Bild 1 | Beispiel von vorklassifizierten Bilddaten aus einem bildgestützten Sortiersystem: Vom Sortiersystem existiert bereits eine Qualitätsaussage. In solchen Bilddaten sind Fehlklassifikationen (hier: gelbe Beere) leicht erkennbar, so dass der Datensatz mit geringem Aufwand manuell korrigiert werden kann. (Bild: Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB)
Die Branche der industriellen Bildverarbeitung wächst jedes Jahr mit beeindruckenden Zuwachsraten. Gründe dafür liegen u.a. in der stärkeren Durchdringung von möglichen Applikationen und in der Erschließung neuer Anwendungen. Daraus folgt, dass immer mehr Bilder aus völlig unterschiedlichen Aufgabenstellungen aufgenommen werden, d.h. Abbilder der Realität mit Objekten, Defekten, Szenen, Beleuchtungskonstellationen, Bildstörungen… Im Zeitalter von Big-Data-Analysen sollte es eigentlich möglich sein, solche Bilder für den Anwender gewinnbringend einzusetzen, um Wissen über die Aufgabenstellung abzuleiten und damit neue Lösungen zu finden. Die Realität sieht allerdings meist so aus: Bildverarbeitungssysteme nehmen Bilder auf und werten sie unmittelbar aus, um aus dem Inspektionsergebnis die gewünschte Information (z.B. Gut-/Schlecht, Position eines Objekts) zu erhalten. Die Bilder selbst werden direkt danach gelöscht. Begründet wird dies oft damit, dass durch die Speicherung der Daten Zusatzaufwand entsteht, was zunächst aufgrund der Menge an Daten nicht von der Hand zu weisen ist. Auch Datenschutzgründe werden genannt, obwohl wesentliche gesetzliche Regelungen (z.B. DSGVO) nicht anzuwenden sind, da es sich bei den Bilddaten in den wenigsten Fällen um personenbezogene Daten handelt. Aber worin liegt der Nutzen von massenhaft gewonnenen industriellen Bilddaten?
Bilddaten für maschinelles Lernen
Dazu lohnt sich ein Blick in Richtung maschinellen Lernens, u.a. künstliche neuronale Netze. Grundgedanke dort ist, dass das automatische System aus gegebenen Datenbeispielen selbständig Schlüsse zieht und Regeln erstellt. Dazu ist eine Vielzahl von Daten erforderlich, damit alle relevanten Eigenschaften und Variationen in den Daten enthalten sind, so dass die gezogenen Schlüsse für die Realität geeignet sind. Es lässt sich beobachten, dass mit der Anzahl guter Daten – d.h. Daten, die realitätsnah sind und deren zugeordnete Qualitätsaussage korrekt (gelabelt) ist – auch die Qualität der Schlüsse steigt. Gebraucht werden dabei auch Schlechtmuster, die man in der realen Produktion nur selten findet. In den realen Daten sind solche realen Fehler aber enthalten, und das auch noch mit relevanter Häufigkeit. Reale Bilddaten sind daher wertvoll zum Training beim maschinellen Lernen.
Automatische Klassifikation
Soll z.B. geprüft werden, ob ein neues bzw. anderes Verfahren des maschinellen Lernens für eine Aufgabenstellung geeignet ist, werden bisher meist mit großem Aufwand extra neue Bilddaten gewonnen, die dann (meist händisch) möglichst korrekt Klassen zugeordnet werden müssen. Sind Bilddaten jedoch bereits vorhanden und wurde bestenfalls das Klassifikationsergebnis des Visionsystems mitgespeichert, kann der Schritt der Bilddatenaufnahme und der Vorklassifikation entfallen, da das Bildverarbeitungssystem in der Regel korrekt klassifiziert hat. Das Labeln wurde also durch das System bereits erledigt. Vorhandene gelabelte Bilddaten können also direkt verwendet werden, um verbesserte, komplexe Klassifikatoren einzulernen. Bisherige Falschklassifikationen in den gespeicherten Daten fallen somit schnell auf und können – da solche Fälle nur selten auftreten – bei Bedarf manuell korrigiert werden (Bild 1). Auch zum Vergleich unterschiedlicher Klassifikatoren können gespeicherte Bilder eingesetzt werden. Dies ist etwa erforderlich, wenn für eine zeitkritische Aufgabe ein echtzeitfähiger, aber einfacher Klassifikator verwendet werden muss. Ein Vergleich mit einem mächtigen, aber langsameren Klassifikator hilft, den Preis für die Echtzeitfähigkeit der Klassifikation einzuschätzen. In der Folge erhält der Kunde eine Möglichkeit, die Qualität des Bildverarbeitungssystems objektiv zu bewerten. Dieselbe Überlegung lässt sich zur Bewertung von Weiterentwicklungen anstellen.
