Was ist Bilderkennung?
Diese 3 Dinge sollten Sie wissen
Bilderkennung ist das Verfahren zur Identifikation eines Gegenstandes oder Musters auf einem Bild oder in einem Video. Es kommt in zahlreichen Anwendungen zum Einsatz, darunter Fehlererkennung, medizinische Bildgebung und Sicherheitsüberwachung.
Weshalb Bilderkennung von Bedeutung ist
Mit Bilderkennung können Sie arbeitsintensive Aufgaben beschleunigen sowie Bilder schneller und genauer verarbeiten als bei manueller Überprüfung. Bilderkennung ist eine entscheidende Technologie in vielen Bereichen und die wichtigste Triebfeder für folgende Deep Learning-Anwendungen:
- Sichtprüfung: Mit Bilderkennung können Tausende von Teilen auf einem Montageband schnell als fehlerfrei oder als mangelhaft identifiziert werden.
- Bildklassifizierung: Bilder können auf Grundlage ihrer Inhalte kategorisiert werden. Im E-Commerce sind diese Anwendungen wie Bildabfragen und Empfehlungsdienste von besonderer Bedeutung.
- Automatisiertes Fahren: Die Fähigkeit, ein Stoppschild oder einen Fußgänger in einem Bild zu erkennen, ist für autonomes Fahren von entscheidender Bedeutung.
- Robotik: Roboter können Bilderkennung zur Objektidentifizierung nutzen und um in der autonomen Navigation Objekte und Orte entlang ihres Weges zu identifizieren.
Bilderkennung ist eine Anwendung zur Sichtprüfung auf defekte Teile.
Bilderkennung ist die zentrale Technologie all dieser Anwendungen. Sie identifiziert Objekte oder Szenen in Bildern und nutzt diese Informationen, um innerhalb eines größeren Systems Entscheidungen zu treffen. Dadurch hilft Bilderkennung diesen Systemen dabei, ein besseres Bewusstsein zu entwickeln, und ermöglicht durch Bereitstellung wertvoller Erkenntnisse bessere Entscheidungen.
Bilderkennung vs. Objekterkennung
Bilderkennung und Objekterkennung sind ähnliche Verfahren und werden oft gemeinsam eingesetzt. Während mit der Bilderkennung identifiziert wird, welches Objekt oder welche Szene auf einem Bild zu sehen ist, können mit der Objekterkennung solche Objekte oder Szenen auf Bildern gefunden werden.
Gängige Techniken zur Objekterkennung sind zum Beispiel R-CNN und YOLOv3.
Bilderkennung (links) und Objekterkennung (rechts)
Verfahren zur Bilderkennung
Es gibt zahlreiche Methoden für Bilderkennung, darunter Machine Learning und Deep Learning. Das angewandte Verfahren richtet sich nach der gewünschten Anwendung, aber im Allgemeinen kommen Deep Learning-Techniken vor allem bei komplexeren Problemstellungen zum Einsatz.
Bilderkennung mit Deep Learning
Der Deep Learning-Ansatz für Bilderkennung kann ein Convolutional Neural Network (faltendes neuronales Netz) beinhalten, um relevante Merkmale automatisch von Beispielbildern zu lernen und dann automatisch auf neuen Bildern zu erkennen.
Ein typischer Deep Learning-Workflow zur Bilderkennung sieht wie folgt aus:
Prepare-Training-Data: Beginnen Sie mit einer Sammlung von Bildern und teilen Sie sie in die gewünschten Kategorien ein. Einbeziehung möglicher Schritte zur Vorverarbeitung, um die Bilder zu vereinheitlichen, damit ein genaueres Modell ermöglicht wird.
Create-Deep-Learning-Model: Obwohl Sie ein Deep Learning-Modell von Grund auf neu entwickeln können, kann es von Vorteil sein, mit einem vortrainierten Modell zu beginnen, das Sie als Ausgangspunkt für Ihre Anwendung nutzen können. Erfahren Sie mehr über vortrainierte Modelle.
Train-The-Model: Das Modell wird trainiert, indem es mit den Testdaten konfrontiert wird. Das Modell iteriert mehrfach die Daten und erlernt so automatisch die wichtigsten Merkmale der Bilder. Im Laufe des Trainings lernt das Modell immer spezifischere Merkmale, bis es präzise zwischen allen Bildkategorien des Trainingsdatensatzes unterscheiden kann.
Test-Data: Um die Erkennungsgenauigkeit des Modells zu testen, wird es auf neue Daten angewendet, die bislang noch nicht im Umfang enthalten waren. Wenn die Ergebnisse nicht zufriedenstellend sind, wiederholen Sie diese vier Schritte so lange, bis die gewünschte Genauigkeit erreicht ist.
Deep Learning-Techniken mögen kompliziert erscheinen, doch mit einfachen Beispielen lassen sich hervorragende erste Ergebnisse erzielen, um ein besseres Verständnis der Technologie zu entwickeln.
Tipp: Deep Learning-Techniken sind bei der Bilderkennung deshalb so beliebt, weil sie besonders präzise und fehlerresistente Ergebnisse liefern. Deep Learning funktioniert am besten mit einer großen Menge an Trainingsdaten, wobei Techniken wie Transfer Learning den Bilderkennungs-Workflow vereinfachen können. Die Deep Learning Toolbox™ bietet ein Framework für Design und Implementierung von tiefen neuronalen Netzen mit Algorithmen, vortrainierten Modellen und Apps.
Bilderkennung mit Machine Learning
Der Machine Learning-Ansatz zur Bilderkennung beinhaltet die Identifikation und Extraktion entscheidender Merkmale von Bildern, die dann als Input für ein Machine Learning-Modell genutzt werden.
- Trainingsdaten: Beginnen Sie mit einer Sammlung von Bildern und teilen Sie diese in die gewünschten Kategorien ein.
- Merkmalsextraktion: Extrahieren Sie aus jedem Bild die relevanten Merkmale. Ein Algorithmus für die Merkmalsextraktion könnte Ränder oder Ecken erkennen, die zur Unterscheidung Ihrer Datenkategorien herangezogen werden.
- Erstellung eines Machine Learning-Modells: Diese Merkmale werden in ein Machine Learning-Modell überführt, das sie in ihre jeweiligen Kategorien unterteilt und diese Informationen anschließend zur Analyse und Klassifizierung neuer Objekte verwendet.
Machine Learning-Workflow zur Bilderkennung
Zur Entwicklung eines präzisen Objekterkennungsmodells können Sie eine Vielzahl unterschiedlicher Machine Learning-Algorithmen und Methoden zur Merkmalsextraktion verwenden und miteinander kombinieren.
Beispiel für Machine Learning mit Bilderkennung zur Klassifizierung von Ziffern anhand von HOG-Merkmalen und einem SVM-Klassifizierer
Tipp: Die Nutzung von Machine Learning zur Objekterkennung bietet die erforderliche Flexibilität, um die beste Kombination aus Merkmalen und Klassifizierern für optimales Lernen auszuwählen. So können auch mit wenigen Daten genaue Ergebnisse erzielt werden. Die Statistics and Machine Learning Toolbox™ enthält Funktionen und Apps zur Beschreibung, Analyse und Modellierung von Daten.
Bilderkennung: Deep Learning vs. Machine Learning
Wie lässt sich ermitteln, ob für die Bilderkennung lieber Deep Learning oder Machine Learning eingesetzt werden sollte? Auf einem hohen Niveau besteht der Unterschied darin, Merkmale mit Machine Learning manuell auszuwählen oder sie mit Deep Learning automatisch zu lernen.
Bilderkennung unter Verwendung traditioneller Bildverarbeitungstechniken
Neben Deep Learning und Machine Learning eignen sich für einige Anwendungen auch zahlreiche herkömmliche Bildverarbeitungsmethoden zur wirksamen Bilderkennung. Insbesondere für folgende „pixelbasierte“ Erkennungsanwendungen sind Bildverarbeitungstechniken sinnvoll:
- Farbenbasierte Bilderkennung: Farbe ist häufig ein hervorragendes Merkmal für die Bilderkennung. Eigenschaften wie Farbwert, Farbsättigung und Hellwert (HSV-Farbraum) oder die Anteile von Rot, Grün und Blau (RGB) lassen sich zur Unterscheidung von Bildern heranziehen.
- Schablonenabgleich: Bei diesem Verfahren wird ein kleines Bild oder eine Schablone genutzt, um dazu passende Bereiche in einem größeren Bild ausfindig zu machen.
- Bildsegmentierung und Blob-Analyse: Hierbei werden einfache Objekteigenschaften wie Größe, Farbe und Form verwendet.
Tipp: Wenn ein Objekt mittels eines einfachen Ansatzes wie Bildsegmentierung erkannt werden kann, sollten Sie am besten mit diesem Ansatz beginnen. Möglicherweise haben Sie dadurch bereits eine fehlerresistente Lösung, sodass Hunderte Trainingsbilder oder eine kompliziertere Methode nicht erforderlich sind. Eventuell beinhaltet die Image Processing Toolbox™ schon alles, was Sie benötigen.
Interaktives Beschriften von Bildern und Videos
Ausprobieren von Algorithmen mit Deep Learning und Machine Learning
Anfangs kann unklar sein, ob Deep Learning oder Machine Learning zum Einsatz kommen sollte. MATLAB bietet die Möglichkeit, alle Kombinationen unterschiedlicher Ansätze auszuprobieren. Testen Sie vortrainierte Deep Learning-Modelle sowie Klassifizierungsalgorithmen mit Machine Learning.
Dabei können Sie mit Netzen und Netzarchitekturen aus Frameworks wie TensorFlow™, Keras, PyTorch und Caffe2 zusammenarbeiten sowie die Import- und Exportfähigkeiten von ONNX™ (Open Neural Network Exchange) nutzen.
Integration in Python-basierte Frameworks
Automatische Codegenerierung zur Implementierung
Letztendlich kann es erforderlich sein, Ihren Algorithmus außerhalb der Desktop-Umgebung zu betreiben. MATLAB stellt Tools zur Codegenerierung bereit, mit denen Sie Ihren Algorithmus zur Bilderkennung überall implementieren können, sei es webbasiert, in Embedded Hardware oder auf Produktionsservern.
Nach der Entwicklung Ihrer Algorithmen können Sie automatisierte Workflows verwenden, um mit GPU Coder™ TensorRT- oder CUDA®-Code für Hardware-in-the-Loop-Tests zu generieren. Der generierte Code kann in bestehende Projekte integriert und dazu genutzt werden, Algorithmen zur Objekterkennung auf Desktop- oder eingebetteten GPUs wie NVIDIA® Jetson oder NVIDIA Drive zu überprüfen.
Bilderkennung ist der Prozess, ein Gegenstand oder ein Muster in einem Bild oder Video zu identifizieren. Sie wird in Anwendungen wie Fehlererkennung, medizinischer Bildgebung und Sicherheitsüberwachung eingesetzt.
Die Bilderkennung identifiziert, welches Objekt oder welche Szene sich in einem Bild befindet, während die Objekterkennung Instanzen und Positionen dieser Objekte in Bildern findet.
Die Bilderkennung wird in der Sichtprüfung zur Erkennung von Fertigungsfehlern, in der Bildklassifizierung für den E‑Commerce, im autonomen Fahren zur Erkennung von Stoppschildern und Fußgängern sowie in der Robotik zur Objekterkennung und autonomen Navigation eingesetzt.
Ein Deep Learning-Ansatz verwendet Convolutional Neural Networks, um automatisch relevante Merkmale aus Beispielbildern zu lernen und diese Merkmale in neuen Bildern zu identifizieren. Dies umfasst die Vorbereitung von Trainingsdaten, die Erstellung eines Modells, das Training und das Testen des Modells an neuen Daten.
Der entscheidende Unterschied besteht darin, dass beim Machine Learning die Merkmale manuell ausgewählt werden, während sie beim Deep Learning automatisch gelernt werden. Deep Learning funktioniert am besten mit großen Mengen an Trainingsdaten und macht die Notwendigkeit überflüssig, die zu betrachtenden Merkmale vorab zu definieren, während Machine Learning Flexibilität bietet und mit wenigen Daten genaue Ergebnisse erzielen kann.
Beginnen Sie mit einer Sammlung kategorisierter Bilder, extrahieren Sie relevante Merkmale wie Kanten oder Ecken und erstellen Sie ein Machine Learning-Modell, das diese Merkmale in verschiedene Kategorien einordnet, um neue Objekte zu analysieren.
Ja. Klassische Bildverarbeitungsmethoden wie Merkmalserkennung, farbbasierte Erkennung, Template-Matching und Bildsegmentierung mit Blob-Analyse sind für bestimmte „pixelbasierte“ Erkennungsanwendungen sehr effektiv.
MATLAB bietet Apps zur Bildbeschriftung für die Datenvorverarbeitung, die Möglichkeit, sowohl Deep Learning- als auch Machine Learning-Algorithmen zu erkunden, die Integration mit Frameworks wie TensorFlow und PyTorch sowie automatische Codegenerierung für die Bereitstellung im Web, auf Embedded‑Hardware oder auf Produktionsservern.
Ressourcen
Erweitern Sie Ihre Kenntnisse durch Dokumentation, Beispiele, Videos und vieles mehr.
