Bilderkennung vs. Mustererkennung – das steckt dahinter

Bilderkennung vs. Mustererkennung – beides dasselbe?

Industrielle Güter auf Qualität prüfen? Mit Bildverarbeitung nichts leichter als das! Allerdings gibt es nicht die eine Bildverarbeitung. Die Unterschiede zwischen den einzelnen Optionen hinsichtlich Erkennungsvermögen, Fähigkeiten und Präzision sind groß. Neben der Sensorauswahl liegt das auch an den eingesetzten Algorithmen zur Qualitätsprüfung. Die beiden meistgenutzten sind derzeit die Muster- und Bilderkennung. Doch was genau unterscheidet diese zwei Verfahren?

Beides sind verschiedene Varianten der Bildverarbeitung in der Informatik. D.h. hinter Bild- und Mustererkennung verstecken sich zwei Herangehensweisen und damit zwei unterschiedlich aufgebaute Algorithmen-Typen. Gemeinsam ist ihnen, dass sie Bildinhalte über bestimmte Verfahren so strukturieren und in ihrer Komplexität herunterbrechen, dass Bild- und Mustererkennung für die Algorithmen handhabbar werden. Erst dann sucht der Code in diesen Daten nach speziellen Eigenschaften – entweder bestimmte Muster oder vordefinierte Objekte und Menschen.

Doch an dieser Stelle enden die Gemeinsamkeiten. Denn während die Mustererkennung noch verhältnismäßig überschaubare Operationen durchführt, geht die Bilderkennung tiefer.

Basisoperator in der Bildverarbeitung: Mustererkennung

Mustererkennung bedeutet, Zusammenhänge zwischen einzelnen Aufnahmen und/oder Objekten zu finden und diese korrekt zu kennzeichnen. Sie eignet sich daher vor allem für einfache Inspektions- und Prüfaufgaben. Zu den Stärken der Mustererkennung zählen insbesondere das Finden, Verfolgen und Glätten von Konturen. Damit eignet sie sich vor allem zur Überprüfung scharfer Kanten, aber auch um eine Vollständigkeitsprüfung durchzuführen (etwa: Ist eine Dichtung als Kreis auszumachen?).

Ein häufig eingesetzter Algorithmus in der Mustererkennung ist die normierte Grauwertkorrelation. Das Verfahren arbeitet mit Lichtveränderungen von hell zu dunkel und identifiziert auf diese Weise Kanten. Damit der Algorithmus zuverlässig arbeiten kann, ist er auf ein gleichbleibendes Szenario angewiesen: Die aufgenommenen Objekte müssen immer die gleiche Größe und Ausrichtung aufweisen. Neueste Entwicklungen können Toleranzen zwar in begrenztem Maß ausgleichen, von Flexibilität kann hier jedoch nicht die Rede sein.

Bilderkennung: Künstliche Intelligenz für anspruchsvollere Aufgaben

Bilderkennung hingegen betrifft die symbolische Beschreibung eines Bildes mit konkreten Begriffen wie „Hund“, „Haus“ etc. Dabei sucht das Verfahren explizit nicht nach Mustern oder Gemeinsamkeiten auf anderen Bildern. Stattdessen arbeitet Bilderkennung mithilfe Künstlicher Intelligenz und Deep Learning. Die dabei zum Einsatz kommenden neuronalen Netze sind so zahlreich und so stark untereinander verbunden, dass es nicht möglich ist, sie auf ihren Ursprung zurückzuführen.

Damit diese Verbindungen zu den richtigen Schlüssen kommen, ist es notwendig, die Bilderkennung für jede Aufgabe zu trainieren. Erst darauf erkennt sie Objekte zuverlässig. Dafür kann sie dies auch unter anspruchsvolleren Bedingungen und aus wechselnden Winkeln. Schatten, Lichteffekte und gemusterte Bildhintergründe sind ebenfalls keine KO-Kriterien mehr.

Aufgrund dessen ist die Bildverarbeitung in der Lage, Objekte, deren Lage und Position zu erkennen. Das lässt sich z.B. nutzen, um

• automatisch Bilder in Bilddatenbanken zu beschriften,
• Bilder und Ausschnitte zu erkennen und einem Produkt zuzuordnen,
• Gesichter zu identifizieren,
• Abweichungen vom Standard aufzudecken,
• Passmarken zu erkennen, sodass eine genaue Bestückung in der Industrie erzielt werden kann,
• Oberflächen zu prüfen, uvm.

Bild- vs. Mustererkennung: Übertrumpft KI alles?

Bilderkennung bietet der Bildverarbeitung fortschrittlichere Erkennungsoptionen als die reine Mustererkennung. Dennoch sollte diese nicht als veraltete Technologie abgetan werden. Häufig reicht eine Mustererkennung für den eigentlichen Zweck bereits aus. Dieser einfachere Einsatz geht zudem mit einem niedrigeren Entwicklungsaufwand einher: Hier ist kein Training neuronaler Netze notwendig. Für komplexe Aufgaben sollte man sich jedoch besser an die Bilderkennung halten. Zwei Verfahren, zwei Anwendungsbereiche: Bild- und Mustererkennung ergänzen sich folglich ideal.