Industriekameras werden heute bereits in einer Vielzahl von Branchen eingesetzt: Vom Geräte-, Anlagen und Maschinenbau über die Medizintechnik bis hin zur Landwirtschaft und Logistik. KI eröffnet dabei gerade im Bereich der Machine Vision völlig neue Anwendungsfelder. So ermöglichen KI-basierte Systeme das Erkennen und Verarbeiten von Objekten mit natürlicher Varianz, wie etwa Lebensmittel, Pflanzen oder andere organische Objekte, die mit herkömmlicher Bildverarbeitung nicht abgedeckt werden können. Hier können Farbe, Oberfläche, Größe, Gewicht oder Form große Schwankungen aufweisen. Die KI lässt sich jedoch mit den entsprechenden Trainingsdaten so trainieren, dass ein breites Spektrum zuverlässig erkannt, kategorisiert und damit auch verarbeitet werden kann. Die Entwicklung von KI-Lösungen mit Machine Learning (ML) setzt dabei auf einen flexibleren Ansatz ohne starre Regeln. Anstatt manuell einen Programmcode zu entwickeln, durchläuft die KI beim Machine Learning einen Lernprozess, bei dem sie anhand von geeigneten Bilddaten selbst wichtige Merkmale identifiziert und mit den bereitgestellten Annotationen in Beziehung setzt. Die Auswahl dieser Daten birgt jedoch ein hohes Fehlerpotenzial. In der Praxis werden der KI teilweise Bilder mit unwichtigem Inhalt, schlechter Beleuchtung, Unschärfe oder auch falschen Labels zur Verfügung gestellt, was die Erkennungsschärfe der gewünschten Merkmale stark verfälschen kann.

Für jede Aufgabe das richtige Werkzeug

Um KI-basierte Vision-Systeme zu trainieren, braucht es nicht unbedingt Systemprogrammierer:innen. Das zeigt beispielsweise IDS mit seiner Plattform IDS NXT. Die Idee dahinter: Mit den richtigen, aufeinander abgestimmten Werkzeugen kann jede Benutzergruppe das Potential der KI Vision voll ausschöpfen, ohne viel Zeit und Kosten in den Aufbau neuer Kernkompetenzen zu investieren. Spezialwissen für das Trainieren neuronaler Netze und das Programmieren eigener Anwendungen lassen sich für viele einfache KI-Workflows in den Werkzeugen verpacken. So kann jeder Benutzer seine individuellen Anforderungen umsetzen, ohne ein eigenes Team aus Spezialist:innen aufzubauen. Die Software stellt jeder Benutzergruppe die für ihre jeweiligen Aufgaben und Arbeitsweisen passenden Werkzeuge zur Verfügung.

Ein Großteil der gängigen Bildverarbeitungsanwendungen arbeitet mit relativ einfachen Abläufen. Bild aufnehmen, Bild analysieren, Prozessentscheidungen treffen, Aktion einleiten – Basisfunktionalitäten, die sich in wenigen Details unterscheiden und deshalb nicht jedes Mal neu programmiert werden müssen. Doch die Auswahl eines Deep Learning (DL) Use Cases, wie "Klassifikation" oder "Objekt Detektion", ist als Einstiegspunkt für ein Projekt oft bereits zu abstrakt, um die weiteren notwendigen Handlungsschritte für die Datenaufnahme und Vision App Konfiguration ableiten zu können.