Bildverarbeitung
Ein Hersteller möchte Bauteile per Kamera prüfen. Die erste Frage lautet heute oft: Brauchen wir dafür KI? Manchmal ja. Häufig lösen klassische Verfahren die Aufgabe aber schneller, günstiger und nachvollziehbarer – und die falsche Wahl kostet Monate, in die eine wie in die andere Richtung.
Zwei Werkzeuge, zwei Denkweisen
Klassische Bildverarbeitung arbeitet mit Regeln, die ein Entwickler festlegt: Filter, Schwellwerte, Kanten, Konturen und Geometrie. Bibliotheken wie OpenCV oder Halcon bringen dafür bewährte Bausteine mit. Jeder Schritt ist messbar und erklärbar.
Machine Learning und besonders Deep Learning lernen die Regeln aus Beispielbildern. Ein neuronales Netz findet Merkmale selbst – auch solche, die sich kaum in Worte fassen lassen. Dafür braucht es Daten, Rechenleistung und eine sorgfältige Validierung.
Die Entscheidung in fünf Fragen
- Lässt sich der Fehler beschreiben? Wenn Sie in einem Satz sagen können, woran ein Fehler zu erkennen ist („Bohrung fehlt“, „Kante zu kurz“), spricht das für klassische Verfahren.
- Wie stark schwanken Teile und Umgebung? Natürliche Objekte, wechselnde Oberflächen und unruhiges Licht sprechen für lernende Verfahren.
- Gibt es genug Beispielbilder? Vor allem von Fehlern. Seltene Fehler lassen sich schwer lernen.
- Wie viel Rechenleistung steht bereit? Ein Industrie-PC mit Grafikkarte ist etwas anderes als ein eingebettetes System in der Kamera.
- Müssen Sie Entscheidungen begründen? In regulierten Umfeldern wie Medizin- und Labortechnik zählt Nachvollziehbarkeit.
Entscheidungshilfe auf einen Blick
| Kriterium | Klassische Bildverarbeitung | KI / Deep Learning |
|---|---|---|
| Messen von Maßen, Positionen, Winkeln | sehr gut geeignet, subpixelgenau möglich | meist nur als Ergänzung |
| Fehler klar beschreibbar | erste Wahl | möglich, oft überdimensioniert |
| Variable Oberflächen, natürliche Objekte | aufwendig, viele Sonderregeln | Stärke lernender Verfahren |
| Datenbedarf | wenige Musterteile | viele, sauber markierte Bilder |
| Rechenbedarf | gering bis mittel | mittel bis hoch, oft mit GPU oder KI-Beschleuniger |
| Nachvollziehbarkeit | jeder Schritt erklärbar | eingeschränkt, braucht gezielte Validierung |
| Änderungen am Produkt | Parameter anpassen | unter Umständen neu trainieren |
Ein klassischer Ansatz in wenigen Zeilen
Wie wenig Code eine Regelprüfung oft braucht, zeigt dieses Beispiel mit Python und OpenCV. Es trennt Teile per automatischem Schwellwert vom Hintergrund und gibt Lage und Größe aus:
import cv2
bild = cv2.imread("teil.png", cv2.IMREAD_GRAYSCALE)
bild = cv2.GaussianBlur(bild, (5, 5), 0)
_, maske = cv2.threshold(bild, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
konturen, _ = cv2.findContours(maske, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for kontur in konturen:
flaeche = cv2.contourArea(kontur)
if flaeche < 500:
continue # kleine Flecken als Rauschen ignorieren
x, y, breite, hoehe = cv2.boundingRect(kontur)
print(f"Teil bei ({x}, {y}): {breite} x {hoehe} Pixel, Fläche {flaeche:.0f}")Bei gleichmäßigem Licht und kontrastreichem Hintergrund reicht so etwas oft für eine robuste Anwesenheits- oder Größenprüfung. Gegen stark schwankende Oberflächen hilft es dagegen wenig.
Der Mittelweg: kombinieren
In der Praxis lautet die Antwort oft „beides“. Klassische Schritte finden und vermessen das Teil, ein kleines Netz bewertet nur die schwierige Oberfläche. Oder umgekehrt: Ein Netz findet Objekte, danach prüft die Geometrie exakt. So bleibt der KI-Anteil klein, schnell und gut prüfbar.
Ein Beispiel aus unseren Projekten: Für einen Hersteller von Wärmebildkameras sollten Gesichter im Bild gefunden werden – auf einem eingebetteten System mit stark begrenzter Rechenleistung. Wir haben verschiedene Algorithmen und neuronale Netze auf Tempo und Erkennungsqualität untersucht. Am Ende liefen eigene, schlanke Verfahren in Echtzeit auf der Hardware und unterschieden Gesichter zuverlässig von Lampen und anderen Wärmequellen. Rechenintensive KI kam dort nicht in Frage. Auch bei der Auswertung von 3D-Punktwolken für einen Sensorhersteller haben wir Formen wie Zylinder, Quader und Kugeln mit geometrischen Verfahren wie RANSAC erkannt – ohne neuronales Netz.
Typische Fehler
- KI wählen, weil es modern klingt, obwohl Schwellwert und Konturprüfung genügen.
- Klassische Regeln immer weiter verfeinern, bis niemand mehr den Überblick hat, statt rechtzeitig auf ein lernendes Verfahren zu wechseln.
- Licht und Optik vernachlässigen. Kein Algorithmus rettet ein schlechtes Bild.
- Zu wenige Fehlerbilder sammeln und das Modell nur mit Gutteilen testen.
- Die Zielhardware erst am Ende festlegen. Dann passt das Verfahren oft nicht mehr auf das Gerät.
- Ohne messbare Abnahmekriterien starten: Welche Erkennungsrate, welcher Takt und wie viele Fehlalarme sind akzeptabel?
So helfen wir
- Machbarkeitsstudie Bildverarbeitung: Wir prüfen an Ihren Musterteilen, ob klassische Verfahren, KI oder eine Kombination die Aufgabe am besten lösen – mit belastbarem Ergebnis, bevor Sie investieren.
- Umsetzung: Bildverarbeitung mit OpenCV, Halcon, PCL oder neuronalen Netzen in C#, C++ oder Python, bis zur Integration in Ihr Gerät oder Ihre Anlage.
- Ihr Projekt: Projekt anfragen oder Erstgespräch vereinbaren
- Fallstudie: Wärmebildkameras: Gesichter finden auf knapper Hardware
Aus unseren Projekten in Sensorik, Labor- und Messtechnik: Gesichtserkennung auf Wärmebildkameras mit eingebetteter Hardware, Objekterkennung in 3D-Punktwolken mit OpenCV, PCL und Halcon.
kununu