Case study

Erra – ein modulares Framework für KI-gesteuerte Objekterkennung

object detection in microbiology

Überblick

Client
Internes Projekt
Scope of work
Präzise und zeiteffiziente Objekterkennung und -positionierung in Bildern, Videos und Live-Aufnahmen.
Technologies
.NET Python C++, Libtorch, OpenCV
Methods
Maschinelles Lernen, neuronale Netzwerkmodelle, Bilderkennung, Bildvorverarbeitung, Verarbeitung der Ausgabedaten und Datenbereinigung

Automatisierte Bildanalyse mittels maschinellem Lernen

Objekte in Bildern zu erkennen, ist eine mühsame Aufgabe, die Genauigkeit und höchste Aufmerksamkeit erfordert. Wenn sie unter Zeitdruck durchgeführt wird, sinkt oft die Qualität, da die menschliche Aufmerksamkeit nachlässt.

Im Rahmen unseres Forschungs- und Entwicklungsprojekts, das zum Teil vom polnischen Nationalen Zentrum für Forschung und Entwicklung finanziert wird, haben wir eine algorithmengestützte Lösung für die automatische Objekterkennung entwickelt. Die Arbeit im Rahmen des Erra-Projekts deckt sich mit den Forschungsarbeiten im Rahmen des Projekts, das in einem unserer letzten Artikel ausführlich beschrieben wurde.

Are you ready to take your business to the next level?

Discover how AI solutions can benefit your company. Schedule a free consultation with us today!

Auf einen Blick

  • Fortschrittliches Werkzeug zur Bildanalyse und -erkennung
  • Problemunabhängige Lösung, die mit jedem vortrainierten neuronalen Netzwerkmodell funktioniert
  • Separate Module, die Anweisungen für bestimmte Bilderkennungsprobleme (einschließlich des neuronalen Netzwerkmodells) beinhalten
  • Verfügbar in einer Vielzahl von Formaten: Als Dotnet NuGet-Package (zur Verwendung in den .NET-Apps und -Lösungen der Kunden), Vor-Ort-Webdienst mit einer offenen REST-API (zur Verwendung mit jeder Software) und einer grafischen Benutzeroberfläche
  • Videoanalyse (sowohl aufgezeichnetes als auch Live-Material)
  • Eine skalierbare Lösung, die die gesamte verfügbare Rechenleistung nutzen kann
  • Erhältlich sind die Module sowie das Framework selbst; die Module können je nach Bedarf verschiedene Objekte erkennen

Das Erstellen, Testen und Debuggen der Module erforderte spezielle Tools

Erra ist eine modulare, skalierbare Lösung, die mit den von unserem Forschungs- und Entwicklungsteam durchgeführten Arbeiten zur Bakterienerkennung verzahnt ist. Das Ergebnis ist eine Lösung zur effizienten Identifizierung und Zählung von Mikroorganismen.

Unser Forschungs- und Entwicklungsteam hat Module entwickelt, die neben neuronalen Netzwerkmodellen auch Anweisungen zur Bildverarbeitung und Datenverarbeitung enthalten. Jedes Modul löst eine bestimmte Art von Problem (1 Problem pro Modul) und kann speziell auf die Bedürfnisse unserer Kunden zugeschnitten werden. So kann jedes Problem gelöst werden, das auf Bildanalyse und -erkennung abzielt, z. B. Bakterien in Petrischalen zu erkennen.

Die neuronale Netze umfassenden Einheiten können von unserem Team nach Bedarf erstellt werden, um eine Vielzahl von Problemen zu lösen. Unsere Engine führt die Module aus (als NuGet-Package oder als dedizierter Webdienst), die zusammen mit einem speziellen Debugger, einem Modul-Compiler, Testwerkzeugen und einer Umgebung für Stresstests mit hoher Arbeitsbelastung erstellt wurden, um erstklassige Qualität zu gewährleisten. Die Module leben als separate Dateien und können angepasst und aktualisiert werden, ohne dass die Execution Engine geändert wird.

Eine Lösung – viele Formen

Die Execution Engine ist ein NuGet-Package, das in beliebigen .NET-Apps eingesetzt werden kann.

Zusätzlich gibt es einen Wrapper-Dienst, der die Funktionen des NuGet-Pakets über die REST-API bereitstellt, so dass jede Anwendung ein Bild senden und die Ergebnisse der Objekterkennung lesen kann, unabhängig davon, auf welcher Technologie sie basiert. Für Demonstrations- und Testzwecke verfügt dieser Wrapper auch über eine Benutzeroberfläche (Website).

Object detection

Videoanalyse

Da Videos eine Abfolge von Bildern sind, kann Erra mit denselben Modulen auch Videos verarbeiten und die Ergebnisse Bild für Bild ausgeben (unabhängig für jeden Frame).

Mit etwas zusätzlichem Aufwand (vorausgesetzt, die Workstation ist leistungsfähig genug, verfügt über ausreichende Grafikkarten usw.) kann Erra auch mit Live-Streams arbeiten. Da die modulare Anwendung als Library geliefert wird, bietet sie zahlreiche Möglichkeiten, auf Live-Filmmaterial zu reagieren.

laboratory bacterial colony

Ergebnisse

Das Projekt hat Bakterienkolonien auf Petrischalen erfolgreich erfasst. Die Software wurde umfassend getestet, einschließlich Unit- und Stresstests, sodass die ordnungsgemäße Funktion, Qualität und Skalierbarkeit des Produkts gewährleistet ist.

Als Ergebnis des Erra-Projekts kann die F&E-Abteilung bei Bedarf jede Art von Forschung durchführen, vorausgesetzt, der Input erfolgt in Form von Bildern und der Output in Form von Bounding Boxes, die als Bezugspunkt für die Objektidentifizierung dienen. Die Forscher können das Produkt, wie bereits erwähnt, unabhängig von den Entwicklern verwenden, da alle erforderlichen Werkzeuge zur Verfügung stehen. Die von uns entwickelte Technologie eignet sich nicht nur zur Erkennung statischer Bilder, sondern auch zur Verarbeitung von Videos und Live-Filmen und ist in Form von einzelnen Modulen erhältlich, die verschiedene Bedürfnisse abdecken.

Are you ready for your next project?

Whether you need a full product, consulting, tech investment or an extended team, our experts will help you find the best solutions.
Stay in touch with us:

Verpassen Sie nichts

Melden Sie sich für unseren Newsletter an, um eine monatliche Dosis an Neuigkeiten, Tipps und Inspirationen zur Lernentwicklung zu erhalten.