Künstliche Intelligenz verbessert Kamera-basierte Verkehrsüberwachung

Alle Kennzeichen vorbeifahrender Autos zu erkennen, überforderte ein Kamerasystem. Doch auch die derzeit vielgerühmte künstliche Intelligenz konnte die Aufgabe nicht allein lösen. Es wäre schlicht zu teuer und aufwenig gewesen. Daher kombinierte ein großer Kamerhersteller beide Technologien, was ein ressourcenschonendes und zuverlässiges Gesamtsystem ergab.

Der eigentliche Anfang der künstlichen Intelligenz (KI) liegt zwar in den 50er Jahren, doch damals kam sie nicht über das Stadium einer Idee hinaus. Erst in den 80ern nahm diese Gestalt an, als mehr geforscht wurde und mehr Unternehmen eigene KI-Systeme entwickelten. Die Computertechnik war aber noch zu jung und konnte die Software nicht unterstützen, die alle wollten. Heute, 40 Jahre später, wird die KI in fast jeder Branche verwendet.

Die erste Erfahrung ist eine Lernkurve

Auch für ein Kameraunternehmen mit Profis im Bereich Bildverarbeitung waren die ersten Schritte in die Welt der KI eine Herausforderung. Teledyne Lumenera wollte KI erstmals in intelligenten Verkehrssystemen (Intelligent Traffic Systems, ITS) einsetzen, um eine Kamera zur integrierten Bildanalyse bei der Fahrzeugerkennung (Vehicle Detection, VDET) und optischen Zeichenerkennung (Optical Character Recognition, OCR) zu entwickeln. Die erste Herausforderung dabei war, die Kamera dazu zu bringen, jedes vorbeifahrende Fahrzeug zu fotografieren. Doch es stellte sich schnell heraus, dass es zu viele neue und sich verändernde Variablen gab. Die Software ließ sich einfach nicht an alle Aspekte anpassen, die außerhalb geschlossener Räume auftreten. Teledyne musste sie also komplett neu erstellen. Eine KI-Lösung von Grund auf zu entwickeln, bedeutete allerdings eine steile Lernkurve. Dies war übrigens nicht nur für Teledyne Lumenera eine Herausforderung, denn KI-Technologie kommt schließlich in vielen Branchen zum Einsatz.

Von der Bildverarbeitung zur KI: Der Paradigmenwechsel

Industrielle Bildverarbeitung (IBV) ist seit vielen Jahren ein unglaublich nützliches Hilfsmittel – hat aber seine Grenzen. Statt also mit IBV alle Anforderungen lösen zu wollen, ist es besser, es für einfache, klare, sich wiederholende Aufgaben zu nutzen.

Die Entwicklung eines Bildverarbeitungssystems folgt anerkannten, schrittweise und iterativ ausgeführten Projektleitungsgrundsätzen. Wird der Ablauf zu lange und zu komplex, verlangsamt sich das System jedoch unter Umständen.
Ein KI-System zu erstellen, ist etwas völlig anderes. Eine der schwierigsten Aufgaben dabei ist, mit den ganzen Veränderungen zurecht zu kommen, die sich durch die Übernahme einer neuen Technologie ergeben. Es müssen nicht nur Arbeitsabläufe und die Denkweise verändert, sondern auch alle Bedienaspekte angepasst werden. Im Gegensatz zu einem Bildverarbeitungssystem, bei dem klar vorgegeben ist, wie alles zu tun ist, lässt sich bei einem KI-System der Grund für eine Störung manchmal nicht genau lokalisieren. Bei einem etablierten Bildverarbeitungssystem ist klar, warum es ein Ergebnis produziert. Bei der KI steht und fällt alles mit dem Trainieren.

Warum gute Daten zum Trainieren eines KI-Systems so wichtig sind

Ein KI-System basiert auf Training und Interferenz. Um dem System beizubringen, etwas in einem Bild zu erkennen, muss es zuerst ähnliche Bilder untersuchen. Passt das Untersuchungsmaterial nicht, fallen die Ergebnisse möglicherweise nicht wie gewünscht aus. So wenig sich eine Prüfung bestehen lässt, ohne zuvor das passende Material durchgearbeitet zu haben, so kann auch ein KI-System die Inhalte eines Bilds nicht erkennen, wenn es der Thematik bislang nicht oder nur wenig ausgesetzt war.
Hochwertige Daten sind der Schlüssel zu einem erfolgreichen System. Aber auch die Anzahl der Beispiele in einem Datensatz ist wichtig, denn ohne genügend Variation in den Daten kann es Grenzfälle geben, die für das System schwierig bleiben. In einem kontrollierten Umfeld mit vorhersehbaren Bedingungen scheint es machbar, einem KI-System beizubringen, etwas zu erkennen. Doch es ist immer eine Entscheidung notwendig. Bei realen Anwendungen sind nicht alle minimalen Variationen zwischen den Bildern vorhersehbar, mit denen ein Bildverarbeitungssystem umgehen muss. Daher können bei Anwendungen außerhalb geschlossener Räume Variablen wie Wetter, Blickwinkel, Sonnenlicht und jede Menge anderer unerwarteter Faktoren Probleme bei der Bildauswertung verursachen. Kann ein KI-System auch in Grenzfällen konsistente Entscheidungen treffen, so basiert dies auf hochwertigen Daten.
Sobald ein KI-System trainiert wurde, muss es mithilfe von Interferenz ableiten, was es in den Bildern erkennt. Interferenz bedeutet, dass mit Informationen aus einem Studiengebiet eine Entscheidung auf Basis dieser früheren Informationen getroffen wird. Passten die Daten zum Trainieren des KI-Systems nicht zur Anwendung, beispielsweise Bildverarbeitung im Freien, wo viele verschiedene Faktoren das Bild beeinflussen, wird das KI-System auf Basis falscher Informationen Schlüsse ziehen und die falsche Entscheidung treffen. Das unangenehme Gefühl, das eine Entwicklerin bei der Arbeit mit einem KI-System unter Umständen hat, kommt von der Unsicherheit, ob das System beim Auswerten verschiedener Bilder immer das richtige Ergebnis produziert. Auch ein Experte kann manchmal auf etwas Einmaliges oder Seltsames treffen, doch in 99 % der Fälle trifft er die richtige Wahl. Ein gut trainiertes KI-System zu verwenden, ist ähnlich wie mit einem Experten zu arbeiten. Aber ein KI-System kann viel mehr Daten viel schneller verarbeiten.

Die Balance zwischen KI und IBV finden

Die industrielle Bildverarbeitung bleibt ein wichtiges Hilfsmittel beim Entwickeln eines Bildverarbeitungssystems. Statt sich darauf zu verlassen, dass die KI die gesamte Bildauswertung übernimmt, wofür eine Menge Prozessorleistung nötig wäre, setzt das von Teledyne Lumenera entwickelte ITS-Bildverarbeitungssystem auf eine Mischung aus KI und IBV. Während mittels IBV aufgrund der Veränderungen außerhalb geschlossener Räume nicht jedes an der Kamera vorbeifahrende Fahrzeug fotografiert werden konnte, wurde mit KI schnell ein komplexer Bildstrom sortiert. Allerdings wurde auch OCR benötigt, um die Zeichendaten aus den Nummernschildern jedes vom KI-System fotografierten Autos zu extrahieren. In diesem Fall wurde OCR mit industrieller Bildverarbeitung umgesetzt, da es sich hierbei hauptsächlich um das Erkennen von Rändern handelt, also eine der Standardanwendungen. Darüber hinaus kann das Gesamtsystem aufgrund der weniger prozessorintensiven Software zum Auswerten der Nummernschilder den Großteil seiner Ressourcen dafür einsetzen, dass das KI-gestützte VDET-System reibungslos funktioniert. 

Auch andere Anwendungen können von der Kombination aus KI und IBV profitieren. Wird KI bei der komplexen Bildverarbeitung von Anwendungen im Freien, wie Luftaufnahmen, eingesetzt, kann das traditionelle industriellen Bildverarbeitung oft tatsächlich konkrete Daten innerhalb der Bilder extrahieren. Alle Branchen, die KI-Entwicklung in ihre Abläufe integrieren, profitieren davon, nicht nur innerhalb des Unternehmens, sondern auch extern mit Kunden und Partnern.
Branchen, die KI-Lösungen implementieren wollen, müssen sich immer wieder der Herausforderung stellen, die Trainingsphase zu absolvieren und darauf zu vertrauen, dass die verwendeten Daten nicht zu falschen Entscheidungen führen. Doch genau aus diesen Fehlern werden Erkenntnisse gewonnen und letztlich zuverlässige Bildverarbeitungssysteme konzipiert.

Autor(en)

Kontaktieren

Teledyne Lumenera
7 Capella Court
Ottawa, ON K2E 8A7
Canada
Telefon: +1 613 736 4077
Telefax: +1 613 736 4071

Jetzt registrieren!

Die neusten Informationen direkt per Newsletter.

To prevent automated spam submissions leave this field empty.