Smarter Blick ‑ eine Einführung in die „Computervision“

Smarter Blick – eine Einführung in die „Computervision“ Für ein Computerauge sind Bilder zunächst nur eine Ansammlung von Pixeln. Grafik- und Bildbearbeitungsprogramme aber geben diesem Sammelsurium an Einzelinformationen eine Struktur. Durch die Definition von Kanten, Farbflächen und Texturen verknüpfen sie einzelne Bildpunkte zu Bildbereichen. So wird eine wichtige Voraussetzung geschaffen, dass ein Computer die gesehenen Strukturen mit seiner Datenbank mit programmierten »Erfahrungen« vergleichen kann: Er lernt, Bildinhalte richtig zu interpretieren. Was damit technisch heute machbar ist, zeigen anspruchsvolle Anwendungen wie die automatische Qualitätsinspektion beim Druck von Banknoten oder im Krankenhaus die computergestützte Suche nach erkranktem Gewebe. Doch nicht immer ist es sinnvoll, einem Computersystem möglichst umfassende Bildinformationen zur Verfügung zu stellen. Manchmal ist weniger eben mehr: Beim Einsatz von „Computer Vision“ zur Überwachung des Verkehrs oder öffentlicher Räume zum Beispiel würden zuviel Informationen nur eine schnelle Auswertung erschweren. Kein Wimpernschlag, keine Ermüdung, keine Ablenkung – die Augen eines Computers überprüfen unbestechlich und mit endloser „Geduld“ selbst mikroskopisch kleine Details auf ihre exakte Position, unterscheiden Nuancen in der Farbintensität oder nicht maßgenaue Fertigungskomponenten. Selbst kleinste Abweichungen bei Form, Farbe und Struktur erkennen elektronische Augen heute zweifelsfrei besser und zudem auch noch schneller, als es eine optische Kontrolle durch den Menschen je könnte. Dabei besteht „Sehvermögen“ des Computers aus drei Komponenten: einer Kamera oder einem Sensor zur optischen Erfassung des Prüfobjektes, der Recheneinheit und den darauf laufenden Softwareprogrammen zur Analyse der aufgenommenen Daten. Dennoch werden Praxislösungen für das maschinelle Sehen in der Regel als komplettes System konzipiert, da die Qualität der Ergebnisse vor allem davon abhängig ist, dass alle beteiligten Hard- und Softwarebestandteile bestmöglich aufeinander abgestimmt sind. „Sinnvoll einsetzbar für die Qualitätsinspektion im laufenden Produktionsprozess sind Computer-Vision-Systeme nur dann, wenn sie die beiden Kriterien Zuverlässigkeit und Geschwindigkeit gleichermaßen erfüllen“, erklärt Raffael Binder von ARC / smart systems. Systeme, die wegen langsamer Hardware einen möglichen Fehler in der Produktion erst im Nachhinein feststellen können, sind ebenso unbrauchbar, wie eine Kombination aus Hochgeschwindigkeits-Kamera und einer unzureichenden Bildverarbeitung: Was nützt ein schnelles Auge, wenn die Software erst „überlegen“ muss, ob das Gesehene den Vorgaben entspricht oder nicht? Alle Teilsysteme müssen also auf gleich hohem Niveau arbeiten. Für einen Einsatz am Fließband gilt dies ebenso wie bei der zuverlässigen Analyse von Protein-Proben in Dopingtests. Vergleicht man die Überlegenheit der Kamera-Software-Systeme mit dem Zusammenspiel von Augen und Gehirn beim Menschen, wird allerdings schnell klar, dass der Technik nach heutigen Maßstäben noch klare Grenzen gesetzt sind: Die elektronischen Systeme sind darauf angewiesen, dass der Aufgabenbereich für die Bildanalyse möglichst eng gesteckt und klar definiert ist. Nur so können gute Ergebnisse erreicht werden. Um aber den Gesamtzusammenhang beispielsweise einer Alltagssituation authentisch interpretieren zu können, ist weit mehr „Hintergrundwissen“ notwendig, als die vorhandenen Algorithmen zur Bestimmung von Bildinhalten errechnen können. Wie und wann eine Software zum Beispiel zweifelsfrei feststellen kann, ob ein durch das Videobild laufendes Tier eine Katze oder ein Hund ist, lässt sich derzeit noch nicht beantworten. Vor allem die Interpretation menschlichen Verhaltens ist in der Regel viel zu komplex, weil das Gesehene nur im Zusammenhang verstanden wird . Ein auf dem Trottoir schnell rennender Mann kann ein flüchtender Dieb sein. Oder versucht er nur seinen Bus zu erreichen? „Zu entscheiden, ob sich zwei Menschen freundschaftlich umarmen oder miteinander kämpfen, ist nur mithilfe von Kontextwissen möglich, das derzeit ausschließlich Menschen anwenden können“, so Dr. Markus Clabian von ARC / smart systems. „Für die Forschung bleibt es auch in den nächsten Jahren eine Herausforderung, einer Maschine beizubringen, solche Ereignisse eindeutig und richtig zu bewerten.“ Die automatisierte Sicherheitsüberwachung eines Bahnhofes – etwa um Anzeichen einer aufkommenden Rangelei zwischen den Fans gegnerischer Sportvereine zu finden – ist also nur als Unterstützung von Sicherheitskräften sinnvoll, indem sie ihnen automatisch Hinweise auf näher zu beobachtende Ereignisse gibt. Praxistaugliche Lösungen für den Einsatz des maschinellen Sehens in natürlicher Umgebung versuchen sich daher erst gar nicht an einer generalistischen Objekterkennung. Stattdessen werden hochspezialisierte Systeme entwickelt, die sich zwar bei Datenerfassung und Bildauswertung auf einen eng begrenzten Ausschnitt beschränken, dafür aber sehr zuverlässige Ergebnisse liefern können. Für die Beobachtung des Verkehrsflusses auf einer Kreuzung (etwa um eine Ampel intelligent zu schalten) oder von Personenströmen in einer U- Bahnstation (etwa um kurzfristig die Zugintervalle zu erhöhen), werden deshalb nicht nur hochauflösende Farbkameras eingesetzt, sondern auch alternative Technologien, die zwar keine hochwertigen Beobachtungsdaten bis ins Detail liefern, dafür eine verlässliche Auswertung des Gesehenen in Echtzeit ermöglichen. Zum Einsatz kommen etwa Sensoren zur Bilderfassung, die weit weniger Informationen liefern, als mit heutiger Kameratechnik möglich wäre. Denn um einen Stau zu erkennen oder Personen zu zählen, sind Details wie die Gesichter der Passanten oder die Ziffern auf den Nummernschildern der Fahrzeuge nicht notwendig. Im Gegenteil: Der nicht bis auf Detailebene erfassende Sensor bringt Vorteile, und zwar nicht nur, weil die zu verarbeitende Datenmenge damit geringer ist, sondern auch, weil sich damit Anforderungen des Persönlichkeitsschutzes sicher stellen lassen. „Da statt detaillierter Informationen zu den Passanten lediglich unscharfe Silhouetten erfasst werden, ist ein Missbrauch der Daten von vornherein ausgeschlossen“, so Dr. Bernhard Kohn von ARC / smart systems. Die Fähigkeit, das beobachtete Geschehen zumindest im Ansatz „verstehen“ zu können, müssen die Entwickler ihren Systemen dennoch auch bei den spezialisierten Anwendungen „beibringen“. Das ist besonders in solchen Situationen schwierig, die schon von Mensch zu Mensch unterschiedlich bewertet werden. Bei der Beurteilung von Röntgenaufnahmen durch einen Arzt beispielsweise spielt die individuelle Erfahrung eine entscheidende Rolle. Und selbst das Erfahrungswissen einer Vielzahl von Experten zusammen genommen lässt sich nicht in ein eindeutiges Bewertungsschema überführen. „Ergebnisse einer computergenerierten Bildanalyse, deren Zustandekommen der Arzt nicht eindeutig nachvollziehen kann, ermöglichen dem Röntgenarzt bei seiner Diagnose nur sehr bedingt einen Informationsgewinn“, betont Dr. Thomas Wittenberg vom Fraunhofer IIS. Das gleiche Problem ist bereits aus dem Bereich der Entwicklung von Text-Mining-Verfahren bekannt. Die Interpretation von Textaussagen ist in vielen Fällen nicht allgemeingültig möglich. Zur Lösung des Problems gehen Text- und Bildauswertung deshalb einen ähnlichen Weg: Statt eigenständig nach starren Entscheidungsregeln zu handeln, wird der Computer als Assistent des jeweiligen Systemnutzers eingesetzt. Dabei macht der Computer zuerst Vorschläge für eine Analyse einzelner Bilddetails und unterlegt sie etwa mit Referenzbildern seiner „Erfahrungsdatenbank“. Über das Feedback des Röntgenarztes erfährt das Softwaresystem, welche Entscheidungskriterien in einem speziellen Fall als besonders wichtig eingestuft werden sollen und kann eine erneute Suche entsprechend genauer auf die Wünsche des Mediziners anpassen. Lernfähige Algorithmen wie diese sorgen dafür, dass dieses Wissen als Erfahrung im Analysesystem für künftige Bildanalysen gespeichert wird. So lernt das „Computerauge“ nach und nach die Welt mit anderen Augen zu sehen. Stephan Wengenroth / Alexander Gerber