Die ersten Computer-Vision-Anwendungsfälle entstanden in den 1950er Jahren, in Form der Analyse von getipptem und handgeschriebenem Text. Frühe kommerzielle Anwendungen konzentrierten sich auf einzelne Bilder, optische Zeichenerkennung (OCR), Bildsegmentierung und Objekterkennung. In den 1960er Jahren begann schließlich die Pionierarbeit im Bereich der Gesichtserkennung - seit circa 2010 setzen große Tech-Unternehmen die Technologie auch im Alltag ein.

Dennoch ist der Computer-Vision-Markt im Vergleich ein eher kleiner: Generative AI etwa soll bis zum Jahr 2032 ein jährliches Marktvolumen von 1,3 Billionen Dollar erreichen. Der Markt für Computer Vision wird aktuell auf einen Wert von circa 14 Milliarden Dollar geschätzt - bis zum Jahr 2030 soll er jährlich um 19,6 Prozent wachsen.

Zu den wichtigsten Anwendungsbereichen der Computer Vision gehören:

• Dokumente scannen,

• Videoüberwachung,

• medizinische Bildgebung und

• Verkehrsstromanalyse.

Darüber hinaus haben Computer-Vision-Errungenschaften auch dazu beigetragen, selbstfahrende Autos und kassenlose Geschäfte voranzubringen. Weniger bekannt ist hingegen, dass Computer Vision auch für Industrieunternehmen eine zunehmend wichtige Rolle spielt - etwa in der Fertigungs- und Baubranche. Im Folgenden vier Anwendungsfälle für Computer Vision im industriellen Umfeld, die das Potenzial der Technologie hervorheben.

1. Weniger Ausschuss in der Fabrik

Laut Arjun Chandar, CEO von IndustrialML, ist ein Haupt-Use-Case für Computer Vision in der Fertigung, die Qualität von Materialien in Bewegung zu analysieren: "Mit Hilfe einer Kamera, die hohe Bildraten unterstützt und einem Machine-Learning-Modell, das auf jedes einzelne Bild angewendet wird, wird es möglich, Fehler an Produktionslinien mit hoher Geschwindigkeit zu identifizieren." Angesichts der Tatsache, dass Industrieunternehmen jedes Jahr 8 Billionen Dollar durch Industrieabfälle durch die Lappen gehen, bietet die Computer-Vision-Technologie großes Potenzial diese Verluste durch Anlagen-, Komponenten- und Umwelt-Monitoring zu reduzieren.

"Die zugrundeliegenden Technologien für viele Anwendungsfälle in der Fertigung sind Mainstream", meint Chandar und spezifiziert: "Meist kommen 2D-Kameras mit hoher Auflösung und ein Convolutional Neural Network zum Einsatz. Soll die Trainingskapazität erhöht werden, wie es in typischen Produktionsumgebungen der Fall ist, übersteigt die Anzahl der Bilder mit guter Produktqualität im Normalfall bei weitem die der Fehler. Eine Möglichkeit, diese Lücke zu schließen, ist es synthetische Daten zu verwenden - ein Ansatz, auf den auch Devops-Teams setzen, um die Vielfalt ihrer Testdaten zu erhöhen."

Jens Beck, Partner für Datenmanagement und Innovation bei Syntax, empfiehlt Industrieunternehmen, mit grundlegenden visuellen Prüfschritten zu beginnen und dann zu größeren Automatisierungsmöglichkeiten überzugehen: "Computer Vision und KI werden für die visuelle Inspektion kombiniert, zum Beispiel in der Automobilindustrie, um zu prüfen, ob Klebstoffe richtig aufgetragen wurden. Der geschäftliche Nutzen für den Kunden liegt nicht nur in der Möglichkeit, die Gesamtanlageneffektivität (OEE) durch die Automatisierung manueller Schritte zu erhöhen, sondern auch in der Dokumentation der Prüfung und der anschließenden Integration von Computer Vision in ihr Manufacturing Execution System (MES) und schließlich in ihr Enterprise Resource Planning (ERP)."

2. Sicherere Werkshallen

Über Qualität und Effizienz hinaus kann Computer Vision auch dazu beitragen, die Sicherheit der Mitarbeiter in Fabriken und Werkshallen zu verbessern - und so die Zahl der Aus- und Unfälle im verarbeitenden Gewerbe zu reduzieren.

"Computer Vision verbessert die Sicherheit der Arbeiter in vernetzten Anlagen, indem es potenzielle Risiken und Bedrohungen für die Mitarbeiter schneller und effizienter identifiziert als es Menschen könnten", konstatiert Yashar Behzadi, CEO und Gründer von Synthesis AI. "Um das zu erreichen, müssen die ML-Modelle auf riesigen Datenmengen trainiert werden."

Die Verwendung synthetischer Daten ist auch für sicherheitsrelevante Anwendungsfälle wichtig, da die Hersteller seltener über Bilder verfügen, die die zugrundeliegenden Sicherheitsfaktoren hervorheben. "Technologien wie synthetische Daten entlasten ML-Ingenieure, indem sie exakt belabelte, qualitativ hochwertige Daten bereitstellen, die Randfälle berücksichtigen können. Das spart Zeit, Geld und Nerven."

Sunil Kardam, Head of Logistics bei Gramener, nennt noch einige weitere Anwendungsbeispiele für Computer Vision in diesem Bereich:

• Materialbewegungen verfolgen, Produkt- und Verpackungsfehler sowie Ausschuss reduzieren;

• Durchsetzung von Protokollen, indem nicht autorisiertes Personal überwacht wird;

• Dokumentenverarbeitung vereinfachen, Inventar optimieren, Unterstützung bei Versicherungsansprüchen und effizientem Logistikmanagement;

3. Stromnetz-Monitoring

Der Großteil der industriellen Produktion findet in Innenräumen statt, wo die Ingenieure eine gewisse Kontrolle über die Umgebung haben. Etwa darüber, wo Kameras platziert werden und wann die Beleuchtung eingeschaltet wird. Die Anwendungsfälle für Computer Vision sind ungleich komplexer, wenn es darum geht, Außenbereiche mit Kameras, Drohnen oder Satelliten zu überwachen.

Vik Chaudry, CTO, COO und Mitbegründer von Buzz Solutions, hat ein Beispiel für den Einsatz von Drohnen auf Lager: "Computer Vision wird eingesetzt, um Fehler im Stromnetz zu identifizieren - beispielsweise in Umspannwerken. Die Technologie ermöglicht eine schnelle und effiziente Wartung und verhindert gleichzeitig weitreichende Ausfälle und vom Netz ausgelöste Katastrophen."

4. Gehirn-Computer-Schnittstellen

Mit Blick auf die Zukunft sieht Naeem Komeilipoor, CTO von AAVAA, neue Einsatzgebiete für Computer Vision: "Brain-Computer-Interface (BCI)-Technologien, die in einem industriellen Umfeld eingesetzt werden, können einen ergänzenden Ansatz für bestimmte industrielle Computer-Vision-Anwendungsfälle darstellen, insbesondere in Umgebungen mit schlechter Sicht, extremen Temperaturen oder anderen gefährlichen Bedingungen, in denen der Einsatz von Kameras nur eingeschränkt möglich ist."

Ein weiterer, häufigerer Anwendungsfall ist die Arbeit auf dem Bau, in Raffinerien oder andere Tätigkeiten, bei denen die Hände zur Inspektion oder Bedienung von Maschinen benötigt werden. "Nehmen Sie eine Reparatur auf einer Baustelle.

Die BCI-Technologie, die in Smart Glasses zum Einsatz kommt, bietet eine alternative Methode die externe Kameras überflüssig macht und auch unter schwierigen Bedingungen eingesetzt werden kann", meint Komeilipoor und fügt hinzu. "Anstatt sich auf Kameras zu verlassen, überwacht BCI die Augenbewegungen durch die Auswertung von Gehirn- und Biosignalen wie dem Elektrookulogramm (EOG). Die Technologie umfasst eine fortschrittliche Signalverarbeitung und Algorithmen des maschinellen Lernens, um die mit speziellen Sensoren erfassten Augenbewegungen zu analysieren."

Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation Infoworld.