RecommendMail Facebook LinkedIn
- Digitalisierung
- Smart Manufacturing
- Mobility
- Health & Science
So nutzen Sie die Synergien zwischen Photonik und künstlicher Intelligenz
Drei Beispiele, wie photonische Technologien mit künstlicher Intelligenz erfolgreich kombiniert werden. Der Gewinn: Nutzer sind dank Photonik und AI noch schneller und noch zuverlässiger am Ziel.
, Katrin LauterbachSehen, erkennen, zuordnen – und das möglichst fehlerfrei und in Echtzeit. So einfach klingt das Ziel vieler Prozesse auf Basis visueller Bilderkennung – sei es bei Qualitätsprüfungen, Auswertung von Proben oder der Zuordnung bzw. Zuweisung von Genehmigungen und Rechten, beispielsweise bei Zufahrtkontrollen.
Wenn dort Künstliche Intelligenz hinzukommt bedeutet das zumeist, dass sich die Geschwindigkeit oder – im besten Fall – auch die Erkennungsrate erhöht. Was genau erkannt und ausgewertet wird – das liegt bei Ihnen, das bestimmen Ihre Anforderungen aus Ihrem Business, denn Bildverarbeitungssystemen sind da (fast) keine Grenzen gesetzt. Drei Beispiele aus ganz unterschiedlichen Anwenderaufgaben unter dem Stichwort „Photonics trifft Künstliche Intelligenz“.
Warum ist Photonik für viele Anwendungen von Künstlicher Intelligenz (KI) entscheidend?
Sie sind die Basis für das „Sehen“ und damit für eine Analyse. Zunächst Unsichtbares wird in komplexen Prüfabläufen mithilfe von hochempfindlichen Sensoren und Kamerasystemen sichtbar gemacht. Bildgebende Verfahren liefern dabei hochauflösende und kontrastreiche Bilder. Im Zusammenspiel mit Deep-Learning-Algorithmen können noch mehr Informationen aus Bildern herausgeholt werden. Dies führt zu verbesserten Ergebnissen in vielfältigen Anwendungsbereichen in der Forschung und Wissenschaft, der industriellen Fertigung, im Gesundheitswesen und im öffentlichen Sektor.Beispiel 1 – Zuverlässigere Analyse von Proben in der Medizin durch den Einsatz von Künstlicher Intelligenz
In den vergangenen Jahren wurde der Einsatz von Künstlicher Intelligenz im medizinischen Bereich immer vielversprechender. Im Vergleich zu anderen Branchen galten hier jedoch einige Einschränkungen, welche Patienten bestmöglich schützen sollen. Für die Medizinbranche war es daher ein wichtiger Schritt, als 2018 die US-amerikanische Food and Drug Administration (FDA) ein Spezialisten-Team für „Deep Learning“-Algorithmen gründete, das den Einsatz von solchen Algorithmen für die Medizintechnik prüft und bewilligt. Aber welche Vorteile bringt KI im Gesundheitswesen?
Stellen Sie sich vor, vor Ihnen steht ein Mikroskop mit einer medizinischen Probe auf dem Objektträger. Übertragen auf den Bildschirm des Mediziners hat das Bild der Probe unglaubliche 15 Gigapixel – enorm viele Bildpunkte sorgen für eine hohe Bildqualität. Und genau in dieser Vielzahl an Pixeln suchen Sie beispielsweise nach einer auffälligen, aber winzigen Abweichung, einer sogenannten Mikro-Malignität, die zum Beispiel ein Hinweis auf eine Tumorerkrankung sein kann. Diese ist für gewöhnlich nur 300 x 80 Mikrometer groß, also nur 0,3 x 0,08 Millimeter. Zum Vergleich: ein normales menschliches Haar ist weniger als 100 Mikrometer dick.
Was sich nach einer herausfordernden Diagnostik-Aufgabe anhört, zählt im Arbeitsalltag eines Pathologen zu einer wichtigen Kernkompetenz. Im Schnitt benötigt Pathologen in etwa zwei Minuten, um eine Probe unter dem traditionellen professionellen Mikroskop zu analysieren. Genau hier kann KI helfen und diesen Arbeitsprozess beschleunigen, ohne dass Pathologen auf die Mikroskopie verzichten müssen.
Zusammen mit einem Suchmaschinen-Unternehmen entwickelte Jenoptik eine Mikroskopkamera, welche Mediziner präziser und effizienter arbeiten lässt. So zeigen Markierungen dem Pathologen an, welche Bereiche in einem Bild er genauer untersuchen sollte – also Bereiche der Proben, auf die er sich konzentrieren sollte. Durch die Mikroskopkamera von Jenoptik, erweitert um die AI-Software, können bestimmte Bereiche auf den Proben hervorgehoben werden, die für die Krankheitserkennung von hohem Interesse sind. Das funktioniert, weil das System aus der Bestimmung vorausgegangener Proben mitgelernt hat, welche Muster die jeweilige Mikro-Malignität aufweist, und diese nun in Echtzeit anzeigen kann.
Beispiel 2 – Künstliche Intelligenz verbessert die Qualitätssicherung in der Serienproduktion
In Produktionsprozessen ist ein ausschlaggebender Faktor für die Effizienz und Güte der Wertschöpfung, die Anzahl an Fehlproduktionen so gering wie möglich, um so den Anteil fehlerfreier Produktionsteile, den Yield, nahe an die 100 Prozent zu bringen. Um z.B. Defekte an Oberflächen oder Formen bereits während der Fertigung zu erkennen, werden in vielen Produktionsbereichen Hochgeschwindigkeits- und Inline-Inspektionskameras eingesetzt. Hochauflösende Kamerasysteme kontrollieren hierbei die Produktionseinheiten auf Fehler und liefern exakte und kontrastreiche Bilder.
Auch hier steigert die Kombination von visueller Bildverarbeitung mit Künstlicher Intelligenz die Güte der Fehlererkennung. Zudem können Fehler nicht nur zuverlässiger erkannt, sondern auch exakter klassifiziert werden – was wiederum die Bewertung von geeigneten Anpassungen bzw. Gegenmaßnahmen vereinfacht.
Ein Beispiel – Schweißnähte und Schraubköpfe:
Die Qualitätskontrolle von Schweißnähten kann sehr komplex sein. Denn auch Schweißpunkte, die auf den ersten Blick gut aussehen, zeigen Unterschiede auf, weshalb Produktfehler oftmals nur schwer identifizierbar sind. Ähnlich ist es zum Beispiel bei der Qualität von Schraubköpfen. Zudem ist bei tausenden produzierten Teilen nur eine sehr geringe Menge defekt. Zusätzliche Herausforderungen für die bildgebenden Inspektionsverfahren sind ebenfalls Verzerrungen, Reflexionen oder Schmutz während der Produktion.
Dank neuronaler Netzwerke und eines Deep-Learning-Algorithmus können Kameras schnell und eindeutig identifizieren, ob die Produktionsteile den definierten Qualitätsanforderungen entsprechen. Trainiert werden solche Analysesysteme mit großen Datensätzen an fehlerfreien Teilen. Damit erlernt das System, auch noch so geringe Abweichungen zu erkennen und innerhalb des Fertigungsprozesses die „guten von den schlechten Teilen“ zu trennen. Zugrunde gelegt werden dem Algorithmus, dank photonischer Lösungen, hochauflösende Bilder. Diese liefern in Kombination mit Deep-Learning-Algorithmen genauere Ergebnisse in der Analyse von Bildern. Werden neue Teile produziert, die ebenso inspiziert werden, erkennt der Algorithmus selbst und lernt stetig weiter, ob Anomalien vorliegen oder nicht. Über das schnellere Erkennen von Fehlern und ihre Systematisierung sind unmittelbare Entscheidungen zu Korrekturen im Produktionsprozess möglich.
Beispiel 3 – Kennzeichen können auch unter schwierigsten Bedingungen dank Künstlicher Intelligenz richtig ausgelesen werden
Auch im Bereich der Verkehrssicherheit bringt der Einsatz von Künstlicher Intelligenz maßgebliche Vorteile, zum Beispiel bei automatischen Kennzeichenlesesystemen (AKLS), die bei Zugangsberechtigungen aber auch bei Geschwindigkeitskontrollen zum Einsatz kommen.
Die Herausforderung besteht darin, Kennzeichen auch unter schwierigen Bedingungen, beispielsweise bei schlechten Wetterbedingungen, Dunkelheit oder schwacher Beleuchtung, richtig zu identifizieren. Mithilfe von KI erkennt das System Muster und wiederkehrende Elemente, es „versteht“ also, was die Kennzeichen über die Länderkennung und die Herkunft des Fahrzeugs vermitteln. Damit erhöht sich die Erkennungsrate. Grundsätzlich kann die Software auch Fahrzeuge nach Pkw, Lkw, Bus oder Motorrad klassifizieren.
Die KI-Software wird direkt in die Verkehrskameras integriert, sodass keine zusätzliche Ausrüstung oder Installation erforderlich ist. Und dank der Einbindung von AKLS in polizeiliche Informations – und Fahndungssysteme – wie derzeit zum Teil in Großbritannien – können letztlich die Polizeiarbeit vereinfacht und die Sicherheit im Straßenverkehr und in Gemeinden erhöht werden.
Diese Beispiele zeigen, dass selbstlernende Systeme systematisch Einzug in der Medizintechnik, Industrie und für Sicherheitsanwendungen halten und die Prozesse schneller und zuverlässiger machen. Dennoch, die Maschine wird – zumindest in absehbarer Zeit – den Menschen nicht ersetzen. Künstliche Intelligenz ist immer noch vom Menschen geschaffen und sie ist abhängig von der Qualität der Daten, mit der sie trainiert wurde.
Sie brauchen Kamerasysteme kombiniert mit Lernalgorithmen für die Verbesserung Ihrer Prozesse, Qualitätssicherung und Analysen in Medizin, Produktion, Mobilität?
Wir freuen uns auf Ihre Nachricht!
Künstliche Intelligenz, Machine Learning, Deep Learning – was ist eigentlich was?
Hinter dem eher abstrakten Begriff Künstliche Intelligenz (KI) verbirgt sich eine Vielzahl an Technologien und Maßnahmen, die in verschiedensten Bereichen Anwendung finden. Insgesamt geht es darum, dass Entscheidungsstrukturen des Menschen auf technische Systeme übertragen werden.
KI beinhaltet unter anderem Prozesse des Maschinellen Lernens. Diese basieren auf vordefinierten Algorithmen, welche Daten analysieren, daraus lernen und dann Entscheidungen treffen. Kurz gesagt, sie lernen aus Erfahrungen. Dafür nutzt man künstliche neuronale Netzwerke, die die Inspiration für das moderne Deep Learning sind.
Deep Learning ist ein Teilgebiet des maschinellen Lernens, das sich mit Algorithmen befasst, die von der Struktur und Funktion des Gehirns inspiriert sind und künstliche neuronale Netze genannt werden. Der Begriff "deep" bzw. "tief" kommt von der Tatsache, dass der Lernprozess viele Schichten von Netzwerken (drei oder mehr) umfasst. Dies wird oftmals auch als Deep Layered Networks oder Deep Neural Networks bezeichnet. Aufgrund der Verwendung von tiefen neuronalen Netzen für den Ansatz des maschinellen Lernens wird dies daher als Deep Learning bezeichnet.
Die Algorithmen des Deep Learnings ähneln den menschlichen neuronalen Netzen und haben in den letzten Jahren vor allem auf dem Gebiet der Computer Vision und des NLP (Natural Language Processing) einen exponentiellen Erfolg erzielt. Tatsächlich übertreffen diese Algorithmen den Menschen bereits bei bestimmten Aufgaben (z.B. bei der Mitose-Erkennung).
Mit geeigneten Daten, Deep-Learning-Algorithmen und ausreichendem Training können Maschinen Muster in Daten verstehen, das erlernte Wissen verallgemeinern und mit sehr hoher Genauigkeit und Zuverlässigkeit auf neue Daten anwenden. Tieflernende Algorithmen sind auch in der Lage, Wissen von einer Aufgabe auf eine andere zu übertragen. Bei Jenoptik erstreckt sich Deep Learning über Anwendungen von der Fertigung, mit dem Aussortieren defekter Teile in Produktionslinien, bis hin zum Gesundheitssektor, zur Bewertung von Anomalien in medizinischen Proben. Und das ist erst der Beginn einer neuen Ära der KI.
Über Katrin Lauterbach
Katrin Lauterbach ist bei Jenoptik mit ihrem Team für Kommunikation und Marketing verantwortlich. Dem Schreiben ist die gelernte Journalistin neben anderen Aufgaben immer treu geblieben. Am Herzen liegt es ihr, Technologie und Business in verständliche Texte zu gießen. Nach ihrem Volontariat und dem Studium der BWL begann sie 2000 bei Jenoptik, machte dann Station bei Bosch und der Sparkasse und kam 2016 zu Jenoptik zurück. Schwerpunkt ihrer Arbeit sind aktuell der Ausbau der digitalen Medien.
