Objekt-Erkennung mit künstlicher Intelligenz

In der Automobilindustrie wird die KI-Objekterkennung zur Verbesserung der Verkehrssicherheit und zur Entwicklung autonomer Fahrzeuge eingesetzt.

• Verkehrszeichenerkennung: Die KI-Objekterkennung ermöglicht Fahrzeugen, Verkehrszeichen wie Stoppschilder, Geschwindigkeitsbegrenzungen und Vorfahrtszeichen zu erkennen und entsprechend zu reagieren.
• Fußgängererkennung: Durch die Erkennung von Fußgängern können Fahrzeuge ihre Fahrgeschwindigkeit anpassen und rechtzeitig bremsen, um Kollisionen zu vermeiden.
• Fahrzeugerkennung: Die Objekterkennung hilft auch bei der Identifizierung anderer Fahrzeuge auf der Straße, was wichtig ist, um sicherheitsrelevante Situationen zu erkennen, z.B. wenn ein Fahrzeug den Fahrstreifen wechselt.

In der Medizintechnik kann die Objekterkennung mit KI bei der Analyse von medizinischen Bildern, Aufzeichnungen und Scans unterstützen:

• Tumorerkennung: KI-Objekterkennung kann helfen, Tumore in MRT-Scans oder CT-Bildern zu identifizieren und Ärzte bei der Diagnose und Behandlungsplanung unterstützen.
• Läsionserkennung: Bei der Hautkrebsvorsorge kann die Objekterkennung verdächtige Läsionen identifizieren, die eine weitergehende Untersuchung erfordern.
• Organsegmentierung: Die Objekterkennung kann bei der Segmentierung von Organen in medizinischen Bildern helfen, um präzise Messungen und Analysen durchführen zu können.
• EKG-Auswertung: Die KI-Objekterkennung kann helfen Auffälligkeiten in EKGs zu erkennen und oft auch schon das darunterliegende Krankheitsbild zu identifizieren.

Sehr erfolgreich wird die KI-Objekt-Erkennung zur Automatisierung eingesetzt:

• Montage und Qualitätskontrolle: Objekterkennung kann bei der Montage von Produkten helfen, indem sie erkennt, ob Teile beispielsweise richtig platziert oder fehlerhaft sind.
• Objekterkennung und Greifen: KI ermöglicht es Robotern, Objekte in ihrer Umgebung zu erkennen und sie präzise zu greifen und zu manipulieren.
• Navigation und Umgebungserkennung: Roboter können ihre Umgebung mithilfe der Objekterkennung verstehen und Hindernisse erkennen, um sicher zu navigieren.

Auch das Einkaufserlebnis im Einzelhandel und E-Commerce kann mit KI-Objekt-Erkennung verbessert werden:

• Produkterkennung: KI-Objekterkennung kann helfen, Produkte in Regalen zu erkennen und automatisch den Bestand zu überprüfen.
• Gesichtserkennung: Die Identifizierung von Kunden durch Gesichtserkennung ermöglicht personalisierte Empfehlungen und ein verbessertes Einkaufserlebnis.
• Betrugserkennung: Die Objekterkennung kann dazu beitragen, betrügerische Transaktionen oder gefälschte Produkte zu identifizieren und zu verhindern.

Bei der Überwachung verschiedener Umgebungen wird ebenfalls bereits erfolgreich KI-Objekterkennung eingesetzt:

• Eindringlingserkennung: KI-Objekterkennung kann helfen, verdächtige Personen oder Objekte in Überwachungsvideos zu erkennen und Sicherheitspersonal zu benachrichtigen.
• Diebstahlerkennung: Durch die Überwachung von Objekten in Echtzeit, können gestohlene Gegenstände erkannt und entsprechende Maßnahmen ergriffen werden.
• Verhaltensanalyse: Die Objekterkennung kann auch verwendet werden, um ungewöhnliches Verhalten zu erkennen, z.B. Personen, die sich in einer Sicherheitszone verdächtig verhalten.

Die Entwicklung einer KI zur Erkennung von Objekten ist eine sehr zeitaufwendige Angelegenheit. In aller Regel können sich derartige Entwicklungen nur große Unternehmen oder Universitäten leisten.

Beliebt ist auch das Model sich die KI im Rahmen eines Forschungsprojektes an einer Universität entwickeln zu lassen. Was natürlich zur Folge hat, dass die so entwickelte KI öffentlich zugänglich ist.

Der Normallfall besteht deshalb häufig daraus auf bereits bestehende Datenmodelle zurückzugreifen und diese dann für den jeweiligen Bedarf anzupassen oder zusammenzustellen.

Was mit "zusammenzustellen" gemeint ist? Man teilt die einzelnen Aufgaben auf. Sollen zum Beispiel die Kennzeichen von Autos ermittelt werden, kann die erste KI die Autoschilder aus den jeweiligen Bildern herausfinden. Die zweite KI wertet im nächstenSchritt dann die jeweiligen Kfz-Kennzeichen aus.

Abbildung 2: KI-Systeme zusammenstellen

Schritt 1: Datenbeschaffung

Der erste Schritt besteht darin, qualitativ hochwertige Trainingsdaten zu beschaffen, um das Objekterkennungsmodell zu trainieren. Dies kann auf verschiedene Arten erfolgen:

• Manuelle Annotation: Bilder oder Videos werden manuell von Annotatoren analysiert und mit Etiketten versehen, um die Positionen und Kategorien der zu erkennenden Objekte zu kennzeichnen.
• Vorhandene Datensätze: Es können bereits vorhandene annotierte Datensätze genutzt werden, die öffentlich verfügbar sind oder von Dritten bereitgestellt werden.
• Crowdsourcing: Die Annotation kann auch an eine Crowd von Arbeitern ausgelagert werden, die die Daten entsprechend den vorgegebenen Richtlinien annotieren.

Schritt 2: Datenvorverarbeitung

Nach der Beschaffung der Trainingsdaten ist es wichtig, sie für das Training des Objekterkennungsmodells vorzubereiten. Dies beinhaltet folgende Schritte:

• Datenauswahl: Es kann notwendig sein, unerwünschte Daten zu entfernen oder eine ausgewogene Verteilung der Kategorien sicherzustellen.
• Datenbereinigung: Es werden eventuell Artefakte oder Rauschen aus den Daten entfernt, um die Qualität und Zuverlässigkeit des Modells zu verbessern.
• Datenaugmentation: Durch das Hinzufügen von künstlichen Variationen zu den Trainingsdaten kann die Robustheit des Modells verbessert werden, z.B. durch Skalierung, Rotation oder Helligkeitsanpassung.

Schritt 3: Modellarchitektur und Training

Die Wahl der richtigen Modellarchitektur und das Training des Modells sind entscheidend für die Leistung der Objekterkennung. Hier sind einige wichtige Schritte:

• Modellwahl: Es gibt verschiedene vortrainierte Modelle wie YOLO, Faster R-CNN oder SSD, die als Ausgangspunkt verwendet werden können. Die Wahl des Modells hängt von den Anforderungen des Anwendungsfalls ab.
• Transfer Learning: Vortrainierte Modelle können auf den eigenen Datensatz feinabgestimmt werden, um die Effizienz und Genauigkeit der Objekterkennung zu verbessern.
• Training und Validierung: Das Modell wird mit den vorverarbeiteten Trainingsdaten trainiert und auf einem Validierungsdatensatz evaluiert, um die Modellleistung zu überprüfen und Überanpassung zu vermeiden.
• Hyperparameter-Optimierung: Es werden verschiedene Hyperparameter wie Lernrate, Batchgröße und Optimierungsalgorithmen optimiert, um die Konvergenz des Modells und die Leistung zu verbessern.

Schritt 4: Evaluierung und Optimierung

Nach dem Training des Modells ist es wichtig, seine Leistung zu evaluieren und bei Bedarf Optimierungen vorzunehmen:

• Objekterkennungsgenauigkeit: Die Genauigkeit des Modells wird anhand von Evaluierungsmetriken wie Präzision, Recall und F1-Score bewertet.
• Fehleranalyse: Eine Fehleranalyse ermöglicht es, die Schwachstellen des Modells zu identifizieren und gezielte Verbesserungen vorzunehmen, z.B. durch die Bereitstellung zusätzlicher Trainingsdaten für schwierige Fälle.
• Optimierung der Inferenzgeschwindigkeit: Bei Echtzeitanwendungen ist es wichtig, dass das Modell schnell genug arbeitet. Optimierungen wie Modellquantisierung oder Hardwarebeschleunigung können die Inferenzgeschwindigkeit verbessern.

Schritt 5: Bereitstellung und Aktualisierung

Sobald das Modell erfolgreich entwickelt und optimiert wurde, kann es in die Produktionsumgebung integriert werden. Hier sind einige wichtige Aspekte:

• Deployment: Das Modell wird in die Software oder das System integriert, um die Objekterkennungsfunktion bereitzustellen.
• Monitoring: Es ist wichtig, das Modell kontinuierlich zu überwachen, um sicherzustellen, dass es in der Produktionsumgebung ordnungsgemäß funktioniert und die gewünschte Leistung erbringt.
• Aktualisierung: Je nach Bedarf können Modelle regelmäßig aktualisiert werden, um neue Daten einzubeziehen, die Leistung zu verbessern oder auf veränderte Anforderungen zu reagieren.