Warum KI und Deep Learning in der Bildverarbeitung nicht immer die Antwort sind

Fast jede Bildverarbeitungsanfrage beginnt heute mit demselben Wort. KI. Es wird vorausgesetzt, dass Deep Learning alles prüfen kann. Es gilt als der moderne Weg, jedes Prüfproblem zu lösen. Die klassische Bildverarbeitung, die regelbasierte Variante, wird als etwas aus dem letzten Jahrzehnt behandelt. Der Grund ist verständlich. Das Marketing rund um KI in der Bildverarbeitung ist unermüdlich. Ein Teil davon ist verdient. Deep Learning hat Probleme gelöst, die vor wenigen Jahren wirklich außer Reichweite lagen.

Das Problem ist, dass der Hype heute dazu führt, dass Menschen bei Aufgaben zu Deep Learning greifen, bei denen es langsamer, teurer und weniger zuverlässig ist als ein regelbasierter Ansatz, der sich an einem Nachmittag einrichten ließe. Dies ist eine sachliche Darstellung dazu, wann KI nicht die Antwort ist, von einem Unternehmen, das beide Arten von System baut und keinen Grund hat, das kompliziertere zu verkaufen. Nichts davon ist gegen KI gerichtet. Es geht darum, das Werkzeug auf die Aufgabe abzustimmen.

Zwei verschiedene Werkzeuge, nicht alt gegen neu

Zunächst gilt es, den Rahmen klarzustellen. Regelbasierte Bildverarbeitung und Deep Learning sind nicht alte und neue Versionen derselben Sache. Es sind zwei verschiedene Werkzeuge, die verschiedene Arten von Problemen lösen. Die besten Systeme nutzen oft beide zusammen.

Regelbasierte Bildverarbeitung arbeitet nach ausdrücklicher Anweisung. Sie sagen ihr genau, was sie messen oder suchen soll, eine Abmessung, eine Kante, einen Barcode, ein bestimmtes Muster. Sie wendet diese Regel jedes Mal auf dieselbe Weise an. Deep Learning arbeitet anhand von Beispielen. Sie zeigen ihm viele beschriftete Bilder von guten und schlechten Teilen. Es lernt von selbst, sie zu unterscheiden. Das regelbasierte System weiß nur, was Sie ihm gesagt haben. Das Deep-Learning-System weiß nur, was es im Training gesehen hat. Jedes ist an seinem Platz leistungsfähig. Jedes hat einen Bereich, in dem es die falsche Wahl ist.

Wo regelbasierte Bildverarbeitung weiterhin gewinnt

Für einen großen Teil der Prüfaufgaben, die wir sehen, ist ein regelbasierter Ansatz die bessere Antwort. Das sind die Fälle, in denen der Griff zur KI Kosten und Risiko ohne Gewinn hinzufügt.

Messen und Lehren. Wenn Sie eine Abmessung messen, einen Abstand prüfen oder eine Position mit einer bekannten Toleranz bestätigen müssen, erledigt die regelbasierte Bildverarbeitung das präzise, wiederholbar und mit einem Zahlenwert, dem Sie vertrauen können. Deep Learning ist das falsche Werkzeug für eine präzise Messung. Eine Regel misst. Ein trainiertes Modell schätzt.

Lesen von Codes und definiertem Text. Ein Barcode, ein Data Matrix, ein klar gedruckter Datumscode. Das sind gelöste Probleme für regelbasierte Werkzeuge, schnell und mit hoher Zuverlässigkeit. Sie brauchen kein neuronales Netz, um einen Barcode zu lesen.

Anwesenheit, Position und Zählung. Zu bestätigen, dass ein Bauteil vorhanden, korrekt platziert oder gezählt ist, ist das tägliche Brot der regelbasierten Bildverarbeitung. Das Merkmal ist definiert, die Regel ist einfach, das Ergebnis ist sicher.

Alles mit einem klaren, gleichbleibenden Merkmal. Wenn das zu prüfende Objekt guten Kontrast hat und wenig variiert, bewältigt ein regelbasiertes Werkzeug es schneller und günstiger als Deep Learning. Es braucht dafür kein einziges Trainingsbild.

Der rote Faden ist, dass die ausdrückliche Definition eines Problems, wenn es sich definieren lässt, besser ist, als einem Modell beizubringen, es zu erraten. Deep Learning verdient sich seinen Platz bei den Problemen, die sich nicht sauber definieren lassen. Das ist eine echte und wichtige Kategorie, nur eine engere, als der Hype vermuten lässt.

Das Problem mit den Trainingsdaten

Das Wichtigste, was der Hype auslässt, ist das, was Deep Learning von Ihnen braucht, bevor es überhaupt funktioniert. Es braucht Daten, meist eine Menge davon.

Ein Deep-Learning-Modell lernt aus beschrifteten Beispielen. Jemand muss Bilder Ihrer Teile sammeln, einschließlich Beispielen jedes Fehlers, den Sie erkennen wollen. Jedes davon muss korrekt beschriftet werden. Für ein zuverlässiges Modell bedeutet das oft Hunderte oder Tausende von Bildern. Entscheidend ist, dass es genügend Beispiele der Fehler bedeutet. Das ist der Haken an einer guten Produktionslinie. Wenn Ihr Prozess gut ist, sind echte Fehler selten. Genügend fehlerhafte Muster für das Training zu sammeln, kann Wochen oder Monate dauern, oder es bedeutet, absichtlich schlechte Teile zu produzieren. Ein regelbasiertes System braucht nichts davon. Sie legen die Regel fest und es läuft. Wenn Menschen die Datenlast mitten in einem KI-Projekt entdecken, ist das oft der Moment, in dem die regelbasierte Option sinnvoll zu wirken beginnt.

Nachvollziehbarkeit und warum sie an der Linie zählt

Das ist der Punkt, der übersehen wird, bis er ein Problem verursacht. Ein regelbasiertes System ist vollständig nachvollziehbar. Wenn es ein Teil zurückweist, können Sie genau sehen, warum. Es hat einen Wert gemessen, der außerhalb einer von Ihnen gesetzten Grenze lag. Sie können jede Entscheidung nachverfolgen, sie gegenüber einem Kunden verteidigen und sie gegenüber einem Prüfer belegen.

Ein Deep-Learning-Modell ist weit schwerer zu hinterfragen. Es liefert Ihnen ein Ergebnis. Die Begründung steckt in einem Netz aus gelernten Gewichten, das sich nicht in einen einfachen Grund übersetzen lässt. Für viele Anwendungen ist das in Ordnung. In einer regulierten Branche, in der Herstellung von Lebensmitteln, Arzneimitteln oder Medizinprodukten, wo Sie einem Prüfer vielleicht genau begründen müssen, warum ein Teil bestanden oder versagt hat, ist diese Undurchsichtigkeit ein echtes Problem. Wenn Sie für jede Entscheidung des Systems geradestehen müssen, hat ein Werkzeug, das seinen Rechenweg zeigen kann, einen echten Wert, den keine Genauigkeitszahl erfasst.

Wo die Kosten wirklich liegen

Auf dem Papier kann die Hardware für beide Ansätze ähnlich aussehen. Die wahren Kosten von Deep Learning zeigen sich anderswo. Sie sind leicht zu übersehen, wenn man davon geblendet ist, was die Technik leisten kann.

Da sind die Kosten für das Sammeln und Beschriften der Trainingsdaten. Das ist echte Ingenieurszeit. Da ist das Training selbst, plus die Iteration, wenn das erste Modell nicht gut genug ist. Deep Learning braucht zum Ausführen oft mehr Rechenleistung. Das kann ein leistungsfähigeres und teureres System bedeuten als ein regelbasiertes Werkzeug, das problemlos auf einer Smart-Kamera oder einem bescheidenen PC läuft. Dann ist da die laufende Seite. Wenn sich Ihr Produkt ändert oder ein neuer Fehler auftritt, der nicht im Trainingsdatensatz war, müssen Sie unter Umständen mehr Daten sammeln und neu trainieren. Ein regelbasiertes System ist oft eine schnelle Anpassung. Für ein vollständiges Bild der Kosten, die nach dem Kauf auftreten, geht unser Leitfaden zu den wahren Kosten der Bildverarbeitung ins Detail. Der Punkt hier ist, dass das am günstigsten aussehende KI-Projekt selten das günstigste ist, sobald Daten und erneutes Training mitgerechnet werden.

Die Randfälle, die einen kalt erwischen

Der wichtigste Unterschied zwischen den beiden Werkzeugen ist, wie sie sich an ihren Grenzen verhalten. Hier kann ein übereifriger KI-Einsatz still und leise schiefgehen.

Ein regelbasiertes System versagt vorhersehbar. Es hat eine definierte Grenze. Wenn ein Teil außerhalb dessen liegt, was die Regel bewältigen kann, meldet es das auf eine Weise, die Sie vorhersehen und einplanen können. Ein Deep-Learning-Modell kann auf weniger vorhersehbare Weise versagen. Konfrontiert mit etwas, das wirklich anders ist als alles in seinen Trainingsdaten, eine neue Variante, eine ungewöhnliche Beleuchtungsänderung, ein Fehlertyp, den es nie gesehen hat, kann es eine selbstsichere Antwort geben, die schlicht falsch ist, ohne einen offensichtlichen Hinweis darauf, dass es überfordert ist. An einer Produktionslinie zählt das. Ein System, das auf bekannte Weise an einer bekannten Grenze versagt, ist oft sicherer als eines, das in der Mitte seines Bereichs leistungsfähiger, an den Rändern aber unvorhersehbar ist. Das ist kein Grund, Deep Learning zu meiden. Es ist ein Grund zu verstehen, wie es sich verhält, bevor Sie ihm eine wichtige Entscheidung anvertrauen.

Die beiden Ansätze nebeneinander

Hier ist der Vergleich in Kürze. Es ist ein Leitfaden dazu, welches Werkzeug zu welcher Aufgabe passt, kein Urteil, dass eines besser ist als das andere.

Wann Deep Learning genau das richtige Werkzeug ist

Nichts davon ist ein Argument gegen KI. Das wäre ein seltsames, von einem Unternehmen, das Deep-Learning-Systeme baut. Es gibt eine Kategorie von Problemen, bei der Deep Learning nicht nur nützlich, sondern die einzige praktische Antwort ist. Es lohnt sich, auch dazu ebenso klar zu sein.

Wenn das zu prüfende Objekt auf natürliche Weise so variiert, dass Sie keine Regel dafür schreiben können, glänzt Deep Learning. Denken Sie an Naturprodukte mit endloser natürlicher Variation, kosmetische Oberflächenfehler, die nie zweimal ganz gleich aussehen, oder komplexe Baugruppen, bei denen sich gut und schlecht auf eine Weise unterscheiden, die für ein geschultes Auge offensichtlich, aber sehr schwer zu spezifizieren ist. In diesen Fällen tut sich ein regelbasierter Ansatz schwer. Sie können nicht jede zulässige Variation aufzählen. Genau hier verdient sich ein gut trainiertes Modell seinen Lohn. Die Kunst liegt darin, zu erkennen, welche Art von Problem Sie tatsächlich haben.

Nutzen Sie das richtige Werkzeug, nicht das lauteste

KI und Deep Learning sind ein echter Fortschritt. Sie haben sich ihren Platz im Werkzeugkasten der Bildverarbeitung verdient. Sie haben die regelbasierte Bildverarbeitung nicht ersetzt. Das war nie zu erwarten. Sehr viele Prüfprobleme sind definierte Probleme, die eine Regel besser, günstiger und transparenter löst. Die Hersteller, die die besten Ergebnisse erzielen, sind nicht die, die der neuesten Technik hinterherjagen. Es sind die, die das Werkzeug auf die Aufgabe abstimmen. Sie arbeiten mit jemandem, der bereit ist, ihnen zu sagen, wann das einfachere Werkzeug das bessere ist.

Das ist das Gespräch, das Clearview jede Woche mit Kunden in ganz Europa führt. Es ist eines, das wir immer gern führen. Wenn Sie eine Prüfaufgabe haben und nicht sicher sind, ob sie ein regelbasiertes System, ein Deep-Learning-System oder eine Kombination aus beiden erfordert, sprechen Sie mit uns. Wir geben Ihnen eine klare Antwort. Wir haben keinen Grund, Ihnen etwas anderes zu verkaufen als den Ansatz, der funktioniert.

Sprechen Sie mit unseren Experten über den richtigen Ansatz: Erzählen Sie uns von Ihrer Prüfaufgabe

Kontakt: info@clearview-imaging.com | +49 89 12085456

Verwandt: Bildverarbeitungssoftware | Die wahren Kosten der Bildverarbeitung | Smart-Vision-Kameras | Preise