Lösungen für Spektroskopie und industrielle Bildverarbeitung
Artificial Vision oder „künstliches Sehen“ auf der Grundlage von Deep Learning (neuronalen Netzen) ahmt bis zu einem gewissen Grad die Art und Weise nach, in der das menschliche Gehirn visuelle Informationen verarbeitet. Es muss also, wie beim Gehirn, zunächst ein Lernprozess stattfinden. Dazu muss eine hinreichend repräsentative Menge von Bildern der zu erkennenden Fälle zur Verfügung stehen, die zum „Trainieren“ des neuronalen Netzes dient, d. h. das Netz muss in der Lage sein, die entsprechenden Merkmale zu „interpretieren“ bzw. zu „erkennen“. Nach der Validierung des erstellten Netzes wird dieses zur Prüfung jedes neuen Bildes verwendet, wobei das Netz das Bild labelt, also mit einem digitalen Etikett versieht, und einer der zuvor festgelegten Klassen zuordnet. In der Praxis besteht ein neuronales Netz aus einer Reihe von numerischen Werten, die in einer aufgabenspezifischen digitalen Datei gesammelt werden, sodass eine spezielle Software das Netz auf jedes Bild „anwendet“, um das Etikett der Klasse zu erhalten, zu der das Bild zu gehören scheint.
Die herkömmliche Algorithmen der maschinellen Bildverarbeitung sind deterministisch. Das bedeutet, dass jedes Bild mit Hilfe mathematischer Funktionen, die entweder allgemeiner oder spezifischer Art sind, auf der Suche nach den betreffenden Merkmalen analysiert wird. Dieser Ansatz beschränkt ihre Anwendung auf sehr konkrete Fälle, in denen die Merkmale im Vergleich zu den übrigen Bildelementen sehr ausgeprägt oder offensichtlich sind, und erfordert stets das Eingreifen von menschlichen Fachkräften. In der realen Welt sind die Umstände, die den Einsatz von deterministischen Algorithmen begünstigen, alles andere als häufig. Im Gegenteil, es gibt viele störende Elemente, die die Genauigkeit des Ergebnisses stark beeinträchtigen. Deep Learning hingegen geht nicht von mehr oder weniger realistischen Annahmen aus, sondern passt sich in der Lernphase automatisch an die Gegebenheiten an, d. h. es reagiert weniger empfindlich auf unvorhergesehene Abweichungen und ist dazu ohne theoretische Annahmen oder das Eingreifen einer Fachkraft in der Lage.
Die häufigste Anwendung ist die Erkennung von morphologischen Fehlern zur Aktivierung eines Ausschleusungssystems, das die vom neuronalen Netz als fehlerhaft gekennzeichneten Produkte aussortiert. Dies gilt zum Beispiel für die Erkennung von Fremdkörpern oder fehlerhaften Stücken bei Lebensmitteln, von unzulässigen Farbunterschieden bei Bauteilen, Textilien oder Lebensmitteln oder für die objektive Quantifizierung von Fehlern oder Mängeln zur Berechnung angemessener Preise für die verschiedenen Qualitätsstufen eines Produkts, z. B. Mängel bei Getreide für den Verkauf und die Vermarktung.
