Computer Vision

Intelligente Systeme müssen Personen und Objekte anhand von visueller Information aus Bildern oder Videos zuverlässig erkennen und ein Verständnis für komplexe Umgebungen entwickeln. Dies ist eine Grundvoraussetzung für das sichere Interagieren von Fahrzeugen und mobilen Robotern mit ihrer Umwelt. Auch der Einsatz von Künstlicher Intelligenz in der Zustandsüberwachung und Qualitätskontrolle stellt hohe Anforderungen an die Verarbeitung visueller Informationen.

Langjährige Erfahrung mit Maschinellem Lernen in der Bildverarbeitung verschafft uns eine starke Position. Unsere Systeme haben sich bereits in der Praxis im Einsatz in unterschiedlichen Anwendungsgebieten und Branchen bewährt: Wir bieten beispielsweise Lösungen zur Erkennung von Verkehrszeichen, zur Zustandsüberwachung für Infrastrukturen, zur Schadenserkennung und Qualitätsanalyse.

Für die echtzeitfähige Erkennung von Objekten und die Umfeldanalyse können wir auf einen eigenen Technologiekern für Bildverarbeitung und ein Framework für neuronale Netze zurückgreifen. Zur Analyse eines komplexen Umfeldes, beispielsweise einer Verkehrssituation, ist es oft nötig, Informationen aus verschiedenen Quellen zu kombinieren und auf verteilten Geräten zu verarbeiten.

Diese kollaborierenden Systeme stellen besondere Ansprüche an Ressourceneffizienz und erfordern spezielle Techniken für die Fusion von Daten aus verschiedenen Sensoren. Daher arbeiten wir an eigen¬ständigen Edge-Computing-Systemen und Techniken, die beispielsweise ein Tracking von Objekten durch mehrere Sichtbereiche ohne eine zentrale Cloud ermöglichen.

Bei der Erkennung von Fehlern und Qualitätsmängeln in der industriellen Produktion stoßen klassische Verfahren des Maschinellen Lernens oft an ihre Grenzen. Für Fehler und Probleme, die selten auftreten, steht naturgemäß eine eher kleine Datenbasis zur Verfügung. Wir können für diese Anwendungsszenarien Hybridverfahren und Modelle entwickeln, die domänenspezifisches Expertenwissen einbinden und somit auch mit kleineren Datensätzen erfolgreich trainiert und eingesetzt werden können.

Leistungsportfolio

Unsere Kunden stammen aus den Bereichen Automobil, Verkehr, Logistik, Infrastruktur und Medien. Mit unseren Systemen zur Bilderkennung und -analyse sind wir in der Lage, Personen und Objekte zu erkennen sowie Fehler und Qualitätsmängel zu identifizieren.

Sichere Smartsensoren im industriellen Umfeld

Unser kompakte, sensornah arbeitende KI ermöglicht sichere Kooperation zwischen Menschen und Robotern im industriellen Umfeld.

Datenbewertung und -verbesserung

Wir bewerten die Verlässlichkeit der Bild-erkennung, kompensieren Verzerrungen und verbessern die Datengrundlage durch Datenaugmentierung.

Objekterkennung

Wir entwickeln Anwendungen zur Echtzeiterkennung vielfältiger Objekte (z. B. Verkehrszeichen) und Phänomene (Schäden) in Videos. Unsere Gesichtserkennung ermöglicht etwa die Suche nach Personen öffentlichen Interesses in Videoarchiven.

Semantische Segmentierung in 3D-Daten

Die semantische Segmentierung in 3D-Daten ermöglicht es, in einem Umfeld zusammenhängende Struk­turen zu erkennen und zuzuordnen.

Umfelderkennung

Aufbauend auf der Umfeld­erkennung im Verkehrsbereich entwickeln wir Anwendungen für das sichere Navigieren in besonderen Umgebungen wie Baustellen, Lagerhallen und Gebäuden.

Dezentrale und kollaborative Bildanalyse

Für Anwendungen auf mobilen Geräten und für kollaborative Systeme gestalten wir neuronale Netze so, dass diese mit möglichst wenig Ressourcen auskommen. Zudem fusionieren wir Daten von multiplen Sensoren und streben die Nutzung auf eigen­ständigen Edge-Computing-Systemen an.

Schulung »Kompakteinstieg Computer Vision«

Die interaktive Schulung gibt Ihnen in einem kompakten Format einen Überblick über das breite Feld des Maschinellen Sehens. Lernen Sie direkt von unseren Expert*innen!

Datenannotation im Feld Computer Vision

Wir bieten Ihnen maßgeschneiderte Inhouse-Schulungen an, um Ihre Mitarbeitenden zu Annotations-Expert*innen weiterzubilden.

Mobile Sensor-
technologie

Wir entwickeln eine umfassende Sensorik zur datenschutzkonformen Erhebung, Analyse und Übertragung von Verkehrsdaten, um den Straßenverkehr sicherer zu machen.

Highlights

Bildbasierte Schadenserkennung im Kanalisationssystem

Viele Kanalnetze sind sanierungsbedürftig, doch aufgrund des hohen manuellen Aufwandes geht die Inspektion der Kanalsysteme nur langsam voran. Eine automatische Erfassung von Schäden ist nur dann wirtschaftlich sinnvoll, wenn die Detektion mit ausreichend hoher Genauigkeit funktioniert. In einem Projekt mit den Berliner Wasserbetrieben haben wir Algorithmen für die Detektion von Schäden und ihre Einteilung nach Typ und Schwere entwickelt.

Erkennung von Verkehrszeichen im Baustellenbereich

Egal ob rund, dreieckig, rechteckig oder achteckig, unsere Lösung erkennt die verschiedenen Schilder der StVO-Palette. Anspruchsvoll wird es, wenn ein Hinweisschild spezifische Informationen enthält: eine Geschwindigkeitsbegrenzung, die aus Lärmschutzgründen an bestimmte Tageszeiten gekoppelt ist, oder komplizierte Spurführungszeichen. Durch Verbindung von Bild- und Texterkennung liest unsere Lösung auch die Texte aus und versteht die Anordnung mehrerer Schilder. So erhalten Fahrer und Navigationssysteme genau die Informationen, die aktuell relevant sind.

Zustandsüberwachung des Gleisumfeldes (ZuG)

Auf dem mehr als 33 000 Kilometer langen Schienennetz der Deutschen Bahn bergen vor allem umgestürzte Bäume ein hohes Risiko. Mit namhaften Partnern aus Eisenbahnwesen und Forschung entwickeln wir eine Technologie zur 3D-Rekonstruktion und -Analyse des Streckennetzes. Unsere Software erkennt relevante Objekte automatisch und ermittelt deren Abweichungen von Sollwerten. Die Ergebnisse der Analyse visualisiert eine Anwendung eines unserer Partnerunternehmen, sodass Infrastrukturbetreiber die nötigen Instandhaltungsprozesse anstoßen und planen können.

 

Feststellung und Auswertung von Oberflächenschäden

Wir ermöglichen eine automatisierte Feststellung und Auswertung von Oberflächenschäden. Dafür prüfen wir glänzende oder diffus reflektierende Oberflächen mithilfe eines Scanners auf Schäden und Unregelmäßigkeiten. Die anschließende Auswertung und Detektion der Schäden beruht auf Deep Learning und Deflektometrie.

Dynamic Intelligent Virtual Imaging

Virtuelle Abbildungen in bewegten (Live-)Aufnahmen durch Künstliche Intelligenz

Augmented Reality (AR) ist die Bezeichnung einer Technologie, die unsere reale Umgebung um virtuelle Inhalte ergänzt, ohne dabei eine neue virtuelle Realität zu erschaffen. Beim Dynamic Intelligent Virtual Imaging findet ebenfalls eine Erweiterung der Realität um virtuelle Inhalte mittels AR-Technologie statt. Das Besondere dabei ist die Kombination von Augmented Reality und Künstlicher Intelligenz (KI). Dadurch erhalten wir eine dynamische, sich der Bewegung anpassende, intelligente virtuelle Abbildung auf diversen digitalen Endgeräten.

Projekt »SEC-Learn«: Spiking Neural Networks in der Bilderkennung

»SEC-Learn« ist ein Projekt von elf Fraunhofer-Instituten, das einen großen Technologiesprung im Bereich der neuromorphen Hardware verspricht: Erstmals wird ein Chip für die Beschleunigung von Spiking Neural Networks (SNN) in Verbindung mit dem sogenannten verteilten Lernen  (Federated Learning) entwickelt. Am Fraunhofer IAIS liegt dabei der Fokus auf der Entwicklung von SNNs für die Bilderkennung und die Detektion von Objekten. Wichtig für uns ist dabei, besonders energieeffiziente und auf kleiner Hardware einsetzbare Modelle zu erschaffen.