Am 22. September 2023 lockte das Forschungsfest NÖ über 5.000 interessierte Besucherinnen und Besucher in die Räumlichkeiten des Palais Niederösterreich in die Wiener Innenstadt. Zahlreiche Ausstellerinnen und Aussteller aus niederösterreichischen Forschungseinrichtungen boten interessierten Personen und Familien die Möglichkeit, Wissenschaft und Forschung hautnah zu erleben und experimentell zu entdecken.

An einem der FOTEC Stände lernten Besucherinnen und Besucher am Beispiel der Objekterkennung wie Roboter mithilfe von Kameras und Deep Learning ihre Umgebung wahrnehmen und verstehen können.

Die Wahrnehmung der Umgebung eines Roboters erfolgt über Kameras, Objekte werden zuerst lokalisiert und aufgenommen, um in weiterer Folge mithilfe von Algorithmen analysiert zu werden. Die Identifikation von Objekten anhand der Zuordnung zu einem bereits bekannten bzw. vergleichbaren Objekt nennt man Objekterkennung.

Die Objekterkennung setzt sogenanntes Deep Learning voraus, eine Methode des maschinellen Lernens, bei dem der Computer die Informationen in unterschiedlichen Schichten aufbereitet.

Anhand dieses Beispiels wird ersichtlich, wie Objekterkennung in der Praxis funktioniert:

Der Wert im Rahmen des zu erfassenden Objektes zeigt an, wie sicher ein Objekt erkannt werden konnte, also wie hoch die Wahrscheinlichkeit ist, dass es sich um ein richtiges oder auch falsches Ergebnis handelt. Je höher der Wert, desto sicherer ist sich das Programm, dass sein Ergebnis korrekt ist. Diese Annahmen beruhen auf statistischen Wahrscheinlichkeiten und helfen dabei, falsch positive Ergebnisse zu verringern.

Deep Learning setzt als Teilbereich der Künstlichen Intelligenz auf die Verwendung künstlicher neuronaler Netze (KNN). Die Algorithmen sind dem Aufbau des menschlichen Gehirns nachempfunden. Diese Methode ist keine neue Entwicklung, sondern wird bereits seit den frühen 1940er Jahren angewendet. Durch die fortschreitende Digitalisierung findet sie jedoch immer häufiger Anwendung und gewinnt an Aufmerksamkeit.

Das Training künstlicher neuronaler Netze erfolgt auf Basis von Daten. Deep Learning Systeme funktionieren so, dass mehrere Schichten an Informationen übereinandergelegt werden. Es gibt eine Eingabeschicht (Input Layer), eine bis unzählige verborgene Schicht/en (Hidden Layer) und eine Ausgabeschicht (Output Layer). Eingangsdaten werden analysiert und durchlaufen einen schrittweisen Prozess, wobei das Ergebnis einer Schicht immer an die nächste Schicht weitergegeben wird und so weiter. Fehler werden minimiert, indem die Gewichtungen der Eingangsdaten verändert werden. Je mehr verborgene Schichten genutzt werden, desto mehr findet Deep Learning statt.

Ein neuronales Netz, das Bilder in einem Durchgang analysiert und identifiziert ist YOLO (You Only Look Once). Die Besonderheit von Yolo im Gegensatz zu bisherigen Möglichkeiten besteht darin, Analyse und Identifikation in wenigen Arbeitsschritten zu erledigen. 

Objekterkennung findet zunehmend Einzug in weiten Teilen der Softwareentwicklung, beispielsweise in den Bereichen Produktion, Internet der Dinge und Industrie 4.0 / 5.0. Typische Beispiele aus der Praxis, die nach diesem Prinzip funktionieren sind die Kennzeichenerkennung oder die Gesichtserkennung.

FOTEC erforscht die Möglichkeiten der Objekterkennung in ihrem Projekt „Entwicklung einer teilautomatisierten, optischen Profilidentifizierung“.

Weitere Informationen zum Forschungsfest finden Sie hier.

Mehr Informationen zu den Projekten der FOTEC erhalten Sie auf dieser Website.