Maschinelles Sehen
aus Wikipedia, der freien Enzyklopädie
Der Begriff Maschinelles Sehen (engl. Computer Vision bzw. Machine Vision als Anwendungsgebiet von C.V.) beschreibt im Allgemeinen die computergestützte Lösung von Aufgabenstellungen, die sich an den Fähigkeiten des menschlichen visuellen Systems orientieren.
Vor allem werden maschinell sehende Systeme derzeit in industriellen Herstellungsprozessen in den Bereichen Produktautomatisierung und Qualitätssicherung eingesetzt. Weitere Einsatzgebiete finden sich z. B. in der Verkehrstechnik – von der einfachen Radarfalle bis hin zum „sehenden Fahrzeug“ – und in der Sicherheitstechnik (Zugangskontrolle, automatische Erkennung von Gefahrensituationen).
Folgende Aufgabenstellungen können derzeit wirtschaftlich sinnvoll gelöst werden.
- Objekterkennung
- Lageerkennung
- Vollständigkeitsprüfung
- Form- und Maßprüfung
- Oberflächeninspektion
- Defekterkennung unter Oberflächen
- Schichtdickenmessungen
Der manchmal benutzte Begriff Bildverstehen ist eine etwas unglückliche Übersetzung des englischen Begriffs computer vision; es geht ja tatsächlich um das Sehen (engl. vision) mittels eines Computers. Nur ein vergleichsweise kleiner Teil der aktuellen Forschungsprojekte beschäftigt sich damit, tatsächlich den Sinn oder den Inhalt von Bildern zu verstehen; meistens geht es eher darum, in Bildern Objekte zu detektieren, sie zu beschreiben, ihre Eigenschaften zu vermessen, sie zu klassifizieren, und auf Grund dieser Ergebnisse Entscheidungen zu treffen, oder Prozesse zu steuern. Da es beim Bildverstehen meistens um den Entwurf oder die Anwendung von Rechenverfahren geht, handelt es sich um ein Teilgebiet der Informatik, das starke Querbeziehungen zur Signalverarbeitung und zur künstlichen Intelligenz aufweist. Die Werkzeuge der Computer Vision stammen meistens aus der Mathematik, insbesondere aus Geometrie, linearer Algebra, Statistik, Operations Research (Optimierung) und Funktionalanalysis. Typische Aufgaben im Bereich Computer Vision sind die Objekterkennung und die Vermessung der geometrischen Struktur von Objekten sowie von Bewegungen (Fremdbewegung, Eigenbewegung). Dabei wird auf Algorithmen aus der Bildverarbeitung, zum Beispiel die Segmentierung, und auf Verfahren der Mustererkennung, beispielsweise zur Klassifizierung von Objekten zurückgegriffen.
Inhaltsverzeichnis |
[Bearbeiten] Methoden
Werkzeuge der Bildverarbeitung zur automatischen Interpretation sind:
- Optischer Fluss zur Bewegungsextraktion
- Sobel-Operator, Wavelets, Gauß-Laplace-Pyramide, Gabor-Wavelets und Laplacian Of Gaussian-Filter zur Kantenerkennung
- Farbklassifikatoren, beispielsweise zur Hautfarbenklassifikation
- Hough-Transformation zur Erkennung von geometrischen Objekten
In komplexeren Erkennungsaufgaben werden oft Modelle eingesetzt. Diese beinhalten Vorwissen, das zur Erkennung eines Gegenstandes benutzt werden kann. Beispielsweise beschreibt ein Gesichtsmodell, dass sich die Nase immer zwischen dem Mund und den Augen befinden muss. Somit weiß ein Suchalgorithmus ungefähr, wo er den Mund suchen muss, wenn er Augen und Nase schon gefunden hat. Hier einige Modelltechniken:
- starres 2D- oder 3D-Modell
- statistische Modelle (deformierbar): Active Shape Model oder Point Distribution Model
[Bearbeiten] Anwendungen
In industriellen Umgebungen werden die Techniken des Bildverstehens heutzutage erfolgreich eingesetzt. Computer unterstützen beispielsweise die Qualitätskontrolle und vermessen einfache Gegenstände. Weitgehend bestimmt der Programmierer hier die Umgebungsbedingungen, die wichtig für ein fehlerfreies Ablaufen seiner Algorithmen sind (Kameraposition, Beleuchtung, Geschwindigkeit des Fließbandes, Lage der Objekte usw.).
Beispiele für den Einsatz in industriellen Umgebungen sind:
- Auf einem Förderband werden Beilegscheiben kontrolliert, um die Maßhaltigkeit zu überprüfen und die Fehlerquote des Endprodukts um mehrere Zehnerpotenzen zu verkleinern.
- Schweißroboter werden an die richtige Schweißposition gesteuert.
In natürlichen Umgebungen werden weit schwierigere Anforderungen an die Techniken des Bildverstehens gestellt. Hier hat der Programmierer keinen Einfluss auf die Umgebungsbedingungen, was die Erstellung eines robusten, fehlerfrei ablaufenden Programms erheblich erschwert. Man kann sich dieses Problem anhand eines Beispiels zur Erkennung von Automobilen verdeutlichen: Ein schwarzes Auto hebt sich vor einer weißen Wand gut ab, der Kontrast zwischen einem grünen Auto und einer Wiese ist allerdings sehr gering und eine Unterscheidung nicht einfach.
Beispiele für den Einsatz in natürlichen Umgebungen sind:
- automatische Erkennung der Fahrbahn und von Fußgängern am Straßenrand
- Erkennung von menschlichen Gesichtern und deren Mimik
- Erkennung von Personen und deren Tätigkeit
Weitere Anwendungen finden sich in einer Vielzahl unterschiedlicher Bereiche:
- Robotersehen
- Medizintechnik
- Automatisierung
- Personenerkennung (Gesichtserkennung, Mimikerkennung, Biometrie)
- Zeichen- und Schrifterkennung (OCR, Handschrifterkennung)
- Berührungslose 1D-, 2D- und 3D-Vermessung (Photogrammetrie) für Fernerkundung und Qualitätskontrolle
[Bearbeiten] Siehe auch
[Bearbeiten] Weblinks
- Informationsportal der industriellen Bildverarbeitung mit Marktübersicht Hersteller
- Deutsche Forschungseinrichtungen im Bereich Computer Vision
- Deutsche Firmen im Bereich Computer Vision
- Fraunhofer-Vision
- Homepage Maschinelles Sehen (Dr. Bauer Erlangen)
- Software-Bibliothek zur Bildverarbeitung der Fa.MVTec
- Face Detection Homepage - engl.
