Video Recognition ist eine der eindrucksvollsten Bereiche der Künstlichen Intelligenz (KI). Vielleicht sogar der Bereich, der den größten Nutzen bringt.
Dank der Fortschritte, die es beim Deep Learning gibt, gab es schließlich große Sprünge bei der Bilderkennung und Verarbeitung. Dadurch ist auch die Bandbreite der Einsatzgebiete, die im Zusammenhang mit der Erfassung von Objekten stehen, gewachsen. Vor allem die Komplexität der künstlichen Bilderkennungssysteme ist beeindruckend. Sie macht es überhaupt erst möglich, dass Maschinen Objekte auf die gleiche Weise erkennen, wie der Menschen das macht.
Die Kapazitäten in diesem Feld sind übrigens weiter steigend. Das hat auch mit der wachsenden Datenmenge zu tun, die in Zeiten des Internet der Dinge generiert und verarbeitet werden kann. Techniken wie etwa Edge Computing oder Narrowband IoT tragen ihr Übriges dazu bei, dass wir eben auch die Möglichkeiten, die eine Video Recognition bietet, flexibler nutzen können.
Inhaltsverzeichnis
Was genau ist Video Recognition?
Leben bedeutet Bewegung und Leben bedeutet Wahrnehmung. Beides war viele Jahrtausende lang dem Menschen vorbehalten. Damit ist seit dem Internet der Dinge und der Weiterentwicklung von Künstlicher Intelligenz nun Schluss. Was keinem Angst machen muss. Ganz im Gegenteil: Technologien wie Video Recognition helfen uns. Schließlich sorgen sie dafür, dass die Maschine die Welt mit unseren Augen sieht und versteht. Und zwar in einer viel höheren Geschwindigkeit als wir das jemals können. Video Recognition bedeutet schließlich, dass die Maschine visuelle Daten erfassen, verarbeiten und darüber hinaus auch noch analysieren kann. Letzteres ist eben erst seit des Ausbaus der Deep Learning Möglichkeiten machbar. Der Computer kann dadurch Abertausende von Streams, respektive Videos und Bilder „sehen“ und die Informationen, die er daraus zieht, verarbeiten.
Wie funktioniert Video Recognition?
Die Videoerkennung basiert also auf Deep Learning. Das bedeutet eine Intensivierung des maschinellen Lernens. Das wiederum heißt, dass die Maschine den Input in Ausgabe umwandeln kann. Dem Ganzen liegt ein Algorithmus zugrunde, der es ermöglicht, einen sinnvollen Output zu finden und zu kommunizieren. Genau das aber bedarf einer gewissen „Lernzeit“. Nehmen wir an, wir brauchen die Video Recognition, um eine Qualitätskontrolle am Band vorzunehmen. Dabei muss der Computer erkennen, wenn ein Teil, das aus der Fertigung kommt, nicht der Norm entspricht. Dieses Erkennen muss trainiert werden. Schließlich muss der Algorithmus lernen, wann es eine Besonderheit gibt. Oder welche Toleranzen es im Normbereich gibt.
Schwieriger wird es zum Beispiel, wenn die Video Recognition ins Detail gehen muss. Das heißt, wenn die Erkennung spezifischer ist. Hier muss die Künstliche Intelligenz natürlich viel umfangreicher trainiert werden. Das heißt, dass es bei der „Schulung“ auch mehr Beispiele braucht. Nur dann ist es möglich, das entsprechende Videomaterial zu analysieren. Nehmen wir etwa die Überwachungskamera, die Einbrecher von Mitarbeitern und Passanten unterscheiden muss. Hierbei braucht es mehr Beispiele, als bei der Fertigung, wenn die Video Recognition dazu dient, die angemessene Form eines Kotflügels zu erkennen. Neben ausreichenden Daten, braucht es auch einen klaren Bezug zum Output. Wann meldet sie einen Alarm und wann nicht.
Video Recognition in der Praxis
Sinnvolle Auswertung von Bildmaterial, sprich Video Recognition lässt sich vielseitig einsetzen. Ob in der Privatwirtschaft, in der Medizin oder in der Smart City. Hierbei können etwa Kameras mit Video Recognition dafür sorgen, dass Parks und Parkhäuser sicherer werden. Oder gemeldet werden kann, wenn ein Stau entsteht. Als Folge daraus können Ampeln umgeschaltet werden und der Verkehrsfluss positiv beeinflusst werden. Da Video Recognition eben auch für Echtzeit Anwendungen möglich ist, sind die zusätzlichen Augen eben Goldwert. Für den Menschen und die Umwelt.
Sprachen wir eben von Produktionen, kann Video Recognition aber noch mehr, als die Endkontrolle. Auch ein aktives Betätigungsfeld ist möglich. Nehmen wir an, die automatische Erkennung dient der Sortierung nach einer bestimmten Verpackungslinie. Zum Beispiel, wenn ich ein Produkt in mehreren Farben herstelle. Nehmen wir etwa die Smartphone Hülle, die es in Pink, Silber und Weiß gibt. Schneller geht es, wenn die Verpackungslinie durch die Identifikation per Video Recognition unterstützt wird. Durch die schnelle Erkennung in Echtzeit können Serienproduktionen zu einer viel schnelleren Parallelverarbeitung in der Verpackungslinie gelangen.
Lagerlogistik mit zusätzlichen Augen
Video Recognition bietet auch Vorteile für Logistikunternehmen. Die intelligente Ein- und Ausfahrtskontrolle etwa. Durch die automatische Erkennung per Videokamera (Video Recognition). Kann ich zum Beispiel im Lager alle ein und ausfahrenden Fahrzeuge scannen und durch die Verbindung mit der Cloud die Daten sämtlicher Fahrzeuge, die das Gelände befahren und verlassen, speichern. Auf diese Weise kann ich automatische Fahrtenpläne erstellen, weil ich weiß, welche Fahrzeuge sich auf dem Hof befinden.
Auch das Lager selbst profitiert davon. Die zuverlässige Identifizierung von Waren etwa erleichtert das Suchen und Auffinden. Dank Video Recognition können schließlich alle Objekte voneinander unterscheiden und im Lager identifiziert werden. So kann ich auch für eine smarte Intralogistik sorgen.
Wo wir Video Recognition noch nutzen können
Neben der Fertigung und dem Verkehrsfluss in der Smart City kann auch die Medizin von den Möglichkeiten der Video Recognition profitieren. Am Ende aber vor allem der Mensch. Nehmen wir etwa die Erkennung von Hautkrebs. Video Recognition ist präzise, zu jeder Zeit. Keine Müdigkeit, kein menschlicher Fehler können hier zur Fehldiagnose führen. So kann eben auch treffsicher erkannt werden, ob ein Muttermal zu Hautkrebs führt.
Auch in der Landwirtschaft können automatisch die Anzahl oder die Art von Hühnern und Kühen erkannte werden. Hierbei etwa wird die Video Recognition häufig in Kombination mit Drohnen eingesetzt. Weiteres Business Cases betreffen außerdem das Marketing oder die Kunden Service und natürlich das selbstfahrende Auto, um nur einige wenige zu nennen.
Die Vorteile auf einen Blick
Die Verwendung von Video Recognition bietet ein paar entscheidende Vorteile:
- Die Effizienz ist zum Beispiel höher. Schließlich kann die Maschine mehr abarbeiten. Das heißt, dass man per Video Recognition viel mehr Bildmaterial auswerten kann. Der Mensch muss dann eventuell nur noch nachsehen, wenn das Programm Abweichungen meldet.
- Das wiederum führt zu Zeitersparnis. Schließlich kann ich viel mehr Bildmaterial in viel kürzerer Zeit auswerten.
- Echtzeit-Erkennung macht außerdem ein blitzschnelles Handeln möglich.
- Die Qualität ist eine viel höhere und die Fehleranfälligkeit sinkt. Denn schließlich wird die Maschine nie müde oder ist lustlos. Die Konzentration bleibt immer auf dem höchsten Level.
Wir unterstützen Dich bei Deinem IoT-Projekt:
