Stemmer Imaging Hohes Potenzial durch Learning-Methoden

Peter Keppler, Stemmer Imaging: »Das Zukunftspotenzial für Bildverarbeitungslösungen auf Basis von Machine-Learning- und Deep-Learning-Methoden ist enorm.«

Machine Learning und Deep Learning gehören zu den Zukunftstrends in der industriellen Produktion. Die Bildverarbeitungstechnik ist hier in zweierlei Hinsicht involviert: Sie treibt Machine Learning generell voran, und ihre Anwendungen werden durch Machine-Learning-Algorithmen schneller und genauer.

Peter Keppler, Director of Corporate Sales bei Stemmer Imaging, erläutert die Hintergründe.

Markt&Technik: Was ist und wie funktioniert Machine-Learning?

Peter Keppler: Machine-Learning beruht auf der Idee, einem Satz von Inputs einen bestimmten Output zuzuordnen. Als Input dienen in der Bildverarbeitung die Pixel, mit denen gearbeitet wird. Mögliche Outputs sind Entscheidungen, ob ein Objekt als Gut- oder Schlechtteil erkannt wird, welcher Kategorie es angehört oder welchen Qualitätsgrad es erreicht. Typisch dabei ist, dass die Anzahl der zur Verfügung stehenden Inputs meist zu hoch ist, um mit konventionellen analytischen Methoden in vertretbarer Zeit eine ausreichend robuste Lösung zu finden. Stattdessen bedient man sich bei Machine-Learning-Methoden mathematischer Modelle, die aufgrund von Datensätzen, die zum Anlernen verwendet werden, versuchen, eine möglichst optimale Näherung für die Abbildung der Inputs auf die Outputs zu ermitteln.

Was ist der Unterschied zwischen Machine-Learning und Deep Learning?

Die Begriffe Deep Learning und Machine-Learning werden häufig gleichgesetzt. Machine-Learning ist jedoch wesentlich breiter gefasst als Deep Learning. Der Deep-Learning-Ansatz bezeichnet Methoden, die auf neuronalen Netzen mit mehreren versteckten Ebenen (Hidden Layers) beruhen. Deep Learning ist insofern eine Teilmenge der schon länger etablierten neuronalen Netze. Machine-Learning dagegen reicht über neuronale Netze hinaus und schließt auch andere mathematische Methoden wie Support-Vector-Machines oder Regularisierungsansätze mit ein.

Was kann die Bildverarbeitungstechnik zum Machine-Learning beitragen?

Die Bildverarbeitung ist für den Einsatz von Machine-Learning-Algorithmen prädestiniert und profitiert von den Vorzügen dieser Technologie in besonderer Weise. Ein Grund dafür ist unter anderem, dass bei Bildverarbeitungsanwendungen häufig sehr große Datenmengen anfallen, die in vielen industriellen Anwendungen extrem schnell verarbeitet werden müssen.