1) Einfach erklärt
Maschinelles Sehen heißt: Computer „sehen“ Bilder und Videos und verstehen, was darauf ist – so, dass sie Aufgaben automatisch ausführen können. Kameras liefern Bilder, die Software erkennt, misst, prüft und entscheidet.
Beispiele:
- Qualitätsprüfung in der Fabrik: Kamera erkennt Kratzer, Risse, Maßabweichungen auf dem Band – fehlerhafte Teile werden aussortiert.
- Fahrerassistenz/Robotik: Erkennung von Fußgängern, Fahrspuren, Schildern; Roboter lokalisieren Objekte und greifen sie sicher.
- Medizin: Markieren von Auffälligkeiten auf Röntgen-/MRT‑Bildern zur ärztlichen Unterstützung.
- Dokumente/OCR: Texterkennung aus Fotos/Scans (Rechnungen, Verpackungen, Kennzeichen).
- AR/Smartphone: App übersetzt Schilder live; Gesichts‑/Objekt‑Erkennung entsperrt/ordnet Fotos.
Merke: Oft meint „Maschinelles Sehen“ (de) die industrielle Praxis (Prüfen/Messen/Steuern), während „Computer Vision“ den Forschungsbegriff für ähnliche Methoden bezeichnet.
2) Professionelle Definition
Maschinelles Sehen ist ein Teilgebiet der Künstlichen Intelligenz und Signalverarbeitung, das aus visuellen Daten (Bilder/Video) Information extrahiert und für Entscheidungen/Steuerung nutzt. Zentrale Aufgaben:
- Klassifikation (Bild → Label), Objekterkennung (Bounding Boxes/Keypoints), Semantische/Instanz‑Segmentierung,
- Tiefen‑/Bewegungsschätzung, 3D‑Rekonstruktion/SLAM, Tracking, Posenschätzung, OCR.
Moderne Systeme basieren auf Deep Learning (z. B. Convolutional Neural Networks, Vision Transformers); klassische Ansätze nutzen Merkmale/Deskriptoren (SIFT/SURF, HOG), Merkmalsabgleich und Geometrie (Epipolargeometrie, PnP, RANSAC). In der Industrie sind Licht/Kamera‑Setup, Kalibrierung, Toleranzen und Echtzeitfähigkeit (z. B. in SPS/Edge‑Systemen) entscheidend; Metriken umfassen Genauigkeit, Präzision/Recall, mAP, Taktzeit.
Quellen (geprüft; kopierbare URLs)
- Szeliski – Computer Vision: Algorithms and Applications (Online‑Buch):
http://szeliski.org/Book/ - Stanford – CS231n: Convolutional Neural Networks for Visual Recognition:
https://cs231n.stanford.edu/ - OpenCV – Open‑Source‑Bibliothek (Dokumentation/Beispiele):
https://opencv.org/