Deep Learning und Objekterkennung

Deep Learning-Modelle werden verwendet, um Objekte in Bildern oder Videodaten zu erkennen. Dies ermöglicht die automatisierte Analyse von Produktionsprozessen, Verkehrssituationen und mehr. Deep Learning-Modelle verwenden komplexe neuronale Netzwerke, um spezifische Objekte in Bildern oder Videostreams zu identifizieren. Dies ermöglicht die automatisierte Analyse von verschiedenen Szenarien, einschließlich Produktionsprozessen und Verkehrssituationen.

Schritte der Objekterkennung

Forschende aus der Neurowissenschaft gehen davon aus, dass die Objekterkennung in drei Schritten abläuft:

• Erkennen einzelner Merkmale: Zunächst werden grundlegende Merkmale wie Kanten, Formen oder Farben identifiziert.
• Zusammensetzen von Merkmalen: Diese Merkmale werden zu einem Gesamtbild zusammengesetzt, um ein Objekt zu formen.
• Identifikation durch Gedächtnisrückgriff: Das Gehirn greift auf gespeichertes Wissen zurück, um das erkannte Objekt zu identifizieren.

Neuronale Netze

Neuronale Netze sind ein Konzept, das auf der Nachahmung des menschlichen Gehirns basiert.
Künstliche Neuronale Netze (KNN) sind dem menschlichen Gehirn nachempfunden und ein Werkzeug im Bereich des maschinellen Lernens und der künstlichen Intelligenz.

Aufbau eines neuronalen Netzwerks

Ein künstliches neuronales Netz besteht aus Neuronen, die Informationen aufnehmen, ändern und an das nächste Neuron weitergeben. Diese Neuronen sind durch Kanten miteinander verbunden.

Das Netzwerk gliedert sich in drei Schichten:

• Eingabeschicht (Input Layer): Hier nehmen Neuronen Informationen aus der Außenwelt auf und geben sie gewichtet an die nächste Schicht weiter.
• Verborgene Schicht (Hidden Layer): Diese Schicht kann aus mehreren Ebenen von Neuronen bestehen. Die Informationen werden hier weitergereicht und neu gewichtet.
• Ausgabeschicht (Output Layer): Die Neuronen geben die verarbeiteten Informationen als Ergebnis aus, z. B. eine Wahrscheinlichkeitsverteilung.

Es gibt spezielle Architekturen für neuronale Netzwerke, die sich auf bestimmte Aufgaben spezialisiert haben:

• Convolutional neural Networks (CNN): CNNs eignen sich zur Bearbeitung von Bildern und visuellen Daten. Sie verwenden spezielle Schichten wie Faltungsschichten, um lokale Muster und Merkmale in Bildern zu erkennen.
• Recurrent Neural Networks (RNN): RNNs sind auf die Verarbeitung sequenzieller Daten spezialisiert. Sie haben eine rückgekoppelte Struktur, die es ihnen ermöglicht, Informationen aus vorherigen Schritten zu speichern.
• Long Short-Term Memory (LSTM): Eine spezielle Art von RNN ist das LSTM, das Probleme mit langen Abhängigkeiten besser bewältigen kann. LSTMs sind in der Lage, Informationen über längere Zeiträume zu speichern und zu verarbeiten.
• Transformer-Netzwerke: Diese Architektur hat die Welt der natürlichen Sprachverarbeitung (NLP) revolutioniert. Transformer verwenden Selbst-Aufmerksamkeitsmechanismen, um Kontextinformationen zu erfassen und sind in Modellen wie BERT und GPT weit verbreitet.
• Vision-Transformer: Durch die Übertragung der leistungsstarken Selbst-Aufmerksamkeitsmechanismen und der flexiblen Architektur der Transformer auf die Bildverarbeitung, bieten Vision Transformer eine alternative Methode zu CNNs, mit potenziellen Vorteilen in bestimmten Anwendungsfällen, wie z.B. einer besseren Generalisierungsfähigkeit aufgrund ihres globalen Verständnisses von Bildern.

Insgesamt sind diese spezialisierten Architekturen entscheidend für den Erfolg von KI-Anwendungen in verschiedenen Bereichen.

Anwendungsgebiete der Objekterkennung

Die Anwendungsgebiete der Objekterkennung sind vielfältig, u.a. wird die Objekterkennung in folgenden Sektoren eingesetzt.

• Produktionsprozesse: Überwachung von Fertigungsanlagen, Erkennung von Defekten oder Abweichungen.
• Verkehrssituationen: Identifizierung von Fahrzeugen, Fußgängern, Verkehrszeichen usw. – relevant für autonomes Fahren und Verkehrsüberwachung.

Für die Erkennung und das Verfolgen von Objekten – beispielsweise Personen oder Fahrzeugen – in Videodatenströmen gibt es im Feld der Künstlichen Intelligenz etablierte und performante Verfahren.

Vom Prototyp zur produktiven Umgebung

Dabei sind die Anwendungsmöglichkeiten so vielfältig wie die Objekttypen und –eigenschaften, welche erkannt werden sollen und reichen weit über den vermutlich bekanntesten Fall des autonomen Fahrens hinaus. 

Hier prototypisch erste proof-of-concepts erfolgreich umzusetzen, etwa auf Basis digitaler Services von Cloud-Diensten, ist heute oft gar nicht mehr schwierig. Das Verfahren jedoch in eine produktive Umgebung einzubringen oder auf einen spezialisierten Anwendungsfall anzupassen, ist in der Regel schon deutlich aufwendiger.

Und genau hier verfügt das BTC Data Science Team über weitreichende Erfahrung. Dabei reicht das Spektrum von der Verwendung fertiger Services, über die Entwicklung maßgeschneiderter KI-Modelle bis hin zur Integration in eine vollwertige Produktlösung.

Datenschutz und DSGVO bei der Objekterkennung

Als Beispiel führen wir unsere Anonymisierungslösung an, die eingesetzt wird, um Videoströme aus dem deutschen Straßenverkehr zu analysieren und darin personenbezogene Daten (also z.B. Gesichter oder KFZ-Kennzeichen) zu erkennen und unkenntlich zu machen.

Derart veränderte Videodaten können gespeichert oder weiterverarbeitet werden, ohne in Konflikt mit Datenschutzbedenken zu stehen. Die entwickelte Lösung hat auf diese Weise bereits mehr als 10 Millionen Videosekunden an Daten zur weiteren Auswertung für den Kunden verfügbar gemacht.

Das bringt‘s:

• DSGVO-konformes Videomaterial
• Höhere Präzision in der Produktion
• Höhere Prozessgeschwindigkeit
• Ganzheitliche Dokumentation
• Optimierung des Ressourceneinsatzes