Maschinelles Sehen

Ein Foto ist für einen Computer zunächst nur eine riesige Tabelle aus Zahlen. Jeder Bildpunkt wird durch Werte für Rot, Grün und Blau beschrieben. Ein Handybild hat davon leicht zwölf Millionen Punkte. Maschinelles Sehen ist das Fachgebiet, das aus diesen Zahlen eine Aussage über den Bildinhalt macht. Die Aussage kann lauten: « Hier ist ein Fahrrad », « Diese Schraube hat einen Riss » oder « Das Gesicht gehört dem Besitzer des Geräts ». Der englische Fachausdruck dafür ist Computer Vision, und man liest ihn auch in deutschen Texten häufig.

Warum Bilder für Maschinen so schwer sind

Menschen erkennen einen Hund in Bruchteilen einer Sekunde, egal ob er sitzt, rennt oder halb hinter einem Auto verschwindet. Diese Leistung wirkt selbstverständlich, ist aber extrem anspruchsvoll. Dasselbe Objekt sieht bei anderem Licht, anderem Winkel oder anderer Entfernung völlig anders aus – in Zahlen ausgedrückt hat das Bild dann kaum noch Ähnlichkeit mit dem ersten. Jahrzehntelang scheiterten Programme genau daran.

Seit etwa 2012 hat sich das drastisch geändert. Damals gewann ein lernendes System einen bekannten Bilderkennungs-Wettbewerb mit großem Abstand. Bei manchen klar abgegrenzten Aufgaben sind Computer heute so zuverlässig wie geschulte Menschen. In der Medizin markieren solche Systeme etwa verdächtige Stellen auf Röntgenbildern, damit Ärzte gezielter hinsehen.

Wirtschaftlich ist das Gebiet deshalb wichtig, weil Kameras billig sind. Ein Sensor, der sehen kann, kostet wenige Euro und lässt sich überall anbringen. Damit werden Kontrollaufgaben automatisierbar, die früher zwingend Menschen brauchten. Genau darin liegen die großen Chancen und die ebenso großen Debatten um Überwachung.

Vom Bildpunkt zur Kante zum Objekt

Die heute üblichen Systeme lernen aus Beispielen statt aus festen Regeln. Man zeigt ihnen sehr viele Bilder, bei denen bereits vermerkt ist, was darauf zu sehen ist. Das System vergleicht seine Vermutung mit der richtigen Antwort und verstellt danach seine internen Rechenwerte ein wenig. Nach Millionen solcher Runden passen die Vermutungen meist.

Technisch geschieht das in mehreren Schichten übereinander. Die erste Schicht schiebt kleine Suchmuster über das Bild und reagiert auf schlichte Dinge: Helligkeitssprünge, Kanten, Farbwechsel. Die nächste Schicht kombiniert diese Kanten zu Ecken und Rundungen. Weiter oben entstehen daraus Räder, Augen oder Fensterrahmen, und ganz oben schließlich « Auto » oder « Katze ». Diesen Aufbau nennt man ein faltendes neuronales Netz, weil das Verschieben der Suchmuster mathematisch eine Faltung ist.

Man unterscheidet mehrere Aufgabentypen. Bei der Klassifikation liefert das System nur ein Wort für das ganze Bild. Bei der Objekterkennung zeichnet es zusätzlich Rahmen um jedes gefundene Ding. Bei der Segmentierung entscheidet es für jeden einzelnen Bildpunkt, wozu er gehört – das braucht ein Auto, das Fahrbahn von Bordstein trennen muss.

Kameras, die schon heute mitdenken

Am nächsten liegt das eigene Smartphone. Die Entsperrung per Gesicht, die Suche nach « Strand » in der Fotogalerie und das Freistellen des Hintergrunds im Videochat sind alle maschinelles Sehen. Auch die Übersetzung eines Speisekarten-Fotos gehört dazu: Erst wird der Text im Bild gefunden, dann gelesen, dann übersetzt.

In der Industrie prüfen Kameras am Fließband Werkstücke auf Kratzer, oft mehrere Teile pro Sekunde. Kassensysteme erkennen Obstsorten, Landmaschinen unterscheiden Nutzpflanze von Unkraut und sprühen gezielt. Fahrassistenten lesen Verkehrszeichen und bremsen vor Hindernissen.

Ein häufiger Irrtum ist, solche Systeme würden Bilder verstehen wie ein Mensch. Sie erkennen statistische Muster, ohne Wissen über die Welt. Deshalb halten sie ein bedrucktes T-Shirt manchmal für ein echtes Objekt, und deshalb sind Fehlerquoten bei Personengruppen unterschiedlich, die in den Trainingsdaten selten vorkamen. In Nachrichten begegnet der Begriff daher oft doppelt: als technischer Fortschritt und als Frage nach Datenschutz und Fairness.