Warum Deep Learning

Bei komplexen Aufgabestellungen ist die traditionelle Programmierung durch die algorithmische Beschreibung aller möglichen Varianzen deutlich komplizierter als Deep Learning. Dadurch sind Klassifizierungsaufgaben wesentlich einfacher zu lösen als mit den existierenden algorithmischen Methoden. Für viele weitere Aufgabestellungen qualifizieren sich neuronale Netze ganz besonders, wie etwa für reflektierende Oberflächen, schlecht ausgeleuchtete Umgebungen, bewegende Objekte, Robotik und 3D, um einige wenige zu nennen, wo herkömmliche Methoden deutlich an Grenzen stoßen und nur mit hohem Aufwand und großer Expertise realisierbar sind.

Echtzeit-Klassifizierung von Fehlern auf Metalloberflächen

Deep Learning ermöglicht es, mehrere Fehlerklassen gleichzeitig anzulernen. Gegenüber sich ändernden Systemumgebungen wie z.B. Licht, Verschmutzung und Alterung ist Deep Learning algorithmisch unanfälliger. Klassische Algorithmen eignen sich weiterhin, wenn es beispielsweise um eine genaue Positionsbestimmung von Objekten oder Fehlern in einem Bild, das maßliche Prüfen, Codelesen oder Post-Processing geht. Deep Learning hingegen besticht durch eine sehr hohe Zuverlässigkeit bei Erkennungsraten und wird die Qualität von heutigen Bildverarbeitungssystemen verbessern sowie neue Anwendungen erschließen.