Stemmer Imaging
Hohes Potenzial durch Learning-Methoden
Fortsetzung des Artikels von Teil 1
GPU als Basis für die Bildverarbeitung mit Deep-Learning-Methoden
Die Erforschung neuronaler Netze bekam in den letzten Jahren neue Impulse durch die Verfügbarkeit immer schnellerer und leistungsfähigerer Grafikprozessoren (GPUs), in denen sich der Lernvorgang und die Anwendung neuronaler Netze effizient implementieren lässt. Solche GPUs wurden ursprünglich speziell für die Erzeugung von Bilddaten entwickelt, haben sich dann aber auch als hervorragende Möglichkeit für die Verarbeitung von Bilddaten erwiesen und wurden für diese Aufgabe weiter optimiert. Für die Bilddatenverarbeitung mit Deep-Learning-Methoden bilden GPUs somit aktuell eine extrem leistungsfähige Basis.
Welche Rolle spielt die Bildverarbeitungs-Software beim Machine-Learning? Wozu sind die für Machine-Learning benötigten Algorithmen als Teil der Bildverarbeitungs-Software in der Lage?
Unsere Bildverarbeitungsbibliothek Common Vision Blox umfasst das Software-Tool CVB Polimago, in dem Machine-Learning-Algorithmen implementiert sind. CVB Polimago ist ein wesentlicher Entwicklungstreiber für Machine-Learning-Lösungen. Diese laufen in herkömmlichen Industrie-PCs und in Kürze auch in Embedded-Systemen. CVB Polimago kombiniert bewährte Methoden aus dem Bereich Support-Vector-Machines mit innovativen neuen Anwendungsstrategien. Das Bildverarbeitungswerkzeug erlaubt nicht nur eine robuste Klassifizierung verschiedener Objektkategorien in anspruchsvollen Anwendungen, sondern ermöglicht auch die Ermittlung von Positionen und Transformationszuständen mit einer bei reinen Klassifikationsansätzen normalerweise kaum erreichbaren Präzision.
Zudem erfordert CVB Polimago einen vergleichsweise moderaten Lernaufwand und erzielt dabei mit gängiger PC-Hardware gute, praxistaugliche Ausführungszeiten für viele industrielle Anwendungen.
Welche Anwendungen gibt es schon heute für Machine-Learning auf Bildverarbeitungs-Basis? Welche Anwendungen sind für die Zukunft denkbar?
Etliche unserer Kunden verwenden schon seit über 15 Jahren erfolgreich Machine-Learning-Methoden, hauptsächlich für anspruchsvolle OCR-Anwendungen und die Inspektion von Oberflächen. Eine beeindruckende beispielhafte Anwendung auf Basis von Machine-Learning ist die Inspektion von Einweg-Aluminiumbehältern für die Lebensmittelindustrie. Auf Basis von Machine-Learning-Algorithmen aus der Programmierbibliothek Common Vision Blox ist es möglich, fehlerhafte Behälter zu erkennen, den Materialaufwand zu verringern und so letzten Endes auch einen Beitrag zum Umweltschutz zu leisten.
Das Zukunftspotenzial für Bildverarbeitungslösungen auf Basis von Machine-Learning- und Deep-Learning-Methoden ist enorm. Damit lassen sich neue Anwendungen beispielsweise in der Landwirtschaft und in der Lebensmittelindustrie angehen, deren Lösung mit konventionellen Methoden nicht oder nur mit unwirtschaftlich hohem Aufwand realisierbar wäre.
- Hohes Potenzial durch Learning-Methoden
- GPU als Basis für die Bildverarbeitung mit Deep-Learning-Methoden
Lesen Sie mehr zum Thema
