Knowledge Graphs in der industriellen Bildverarbeitung: Technisches Wissen nachvollziehbar verknüpfen
In der industriellen Bildverarbeitung reicht es nicht, einen Algorithmus auszuführen und ein Ergebnis anzuzeigen. Für eine belastbare technische Entscheidung muss auch nachvollziehbar sein, welche Prüfaufgabe vorliegt, unter welchen Randbedingungen ein Verfahren gewählt wurde, auf welcher Quelle die Auswahl beruht und wie das Ergebnis validiert wurde. Genau an dieser Stelle können Knowledge Graphs – auf Deutsch Wissensgraphen – einen praktischen Mehrwert schaffen.
Aus meiner Erfahrung mit industrieller Bildverarbeitung, Python und Knowledge Graphs sehe ich ihren Nutzen vor allem als Verbindungsschicht: Sie machen Beziehungen zwischen technischem Wissen, konkreten Systemkomponenten und vorhandener Evidenz explizit. Das unterstützt Menschen ebenso wie KI-Systeme. Es ersetzt jedoch weder die fachliche Bewertung noch die Prüfung am realen System.
Was ist ein Knowledge Graph?
Ein Knowledge Graph beschreibt Dinge und ihre Beziehungen in einer maschinenlesbaren Struktur. Das Resource Description Framework (RDF) des W3C modelliert solche Aussagen als Tripel aus Subjekt, Prädikat und Objekt. Vereinfacht ausgedrückt: Eine Kamera erfasst ein Prüfmerkmal, ein Algorithmus verarbeitet ein Bild und ein Ergebnis wird bestätigt durch einen Validierungstest.
Der entscheidende Punkt ist nicht die grafische Darstellung mit Knoten und Kanten. Entscheidend ist, dass Begriffe eindeutige Bedeutungen erhalten und Beziehungen gezielt abgefragt werden können. So lässt sich beispielsweise nicht nur speichern, welcher Algorithmus verwendet wird, sondern auch warum, für welche Randbedingungen und mit welchem nachgewiesenen Gültigkeitsbereich.
Warum ist das für industrielle Bildverarbeitung relevant?
Eine Bildverarbeitungslösung entsteht aus dem Zusammenspiel vieler Disziplinen. Optik, Sensorik, Beleuchtung, Mechanik, Kalibrierung, Bildaufnahme, Algorithmen, Grenzwerte und Qualitätssicherung beeinflussen sich gegenseitig. In klassischen Dokumenten oder Tabellen stehen diese Informationen oft an verschiedenen Stellen. Die fachliche Abhängigkeit bleibt dann nur im Wissen einzelner Personen erhalten.
Ein Knowledge Graph kann diese Kette explizit abbilden:
- Die Prüfaufgabe definiert das gesuchte Merkmal oder den relevanten Fehler.
- Das Merkmal stellt Anforderungen an Auflösung, Kontrast, Sichtfeld und Beleuchtung.
- Diese Anforderungen begründen die Auswahl von Kamera, Objektiv und Lichtquelle.
- Aufnahmebedingungen und Bildcharakteristik begrenzen die geeigneten Algorithmen.
- Parameter und Entscheidungsregeln verweisen auf Quellen, Annahmen und Messdaten.
- Validierungsergebnisse zeigen, was belegt ist und welche Lücken noch offen sind.
Damit wird aus einer Sammlung einzelner Angaben ein technischer Zusammenhang. Bei einer Änderung – etwa einer anderen Bauteiloberfläche oder einem größeren Sichtfeld – kann gezielt geprüft werden, welche weiteren Entscheidungen davon betroffen sind.
Ein konkretes Beispiel: Segmentierung und Kalibrierung
Bei einer einfachen Segmentierung kann ein fester Schwellwert ausreichen. Die offizielle OpenCV-Dokumentation zur Schwellwertbildung unterscheidet unter anderem globale, adaptive und Otsu-basierte Verfahren. Die bloße Auswahl eines Verfahrens sagt jedoch noch nicht, ob sie für das konkrete Bildmaterial tragfähig ist.
Im Knowledge Graph ließe sich die Entscheidung deshalb mit der Beleuchtungssituation, der erwarteten Kontrastverteilung, einem Beispieldatensatz, der verwendeten OpenCV-Version und dem Ergebnis definierter Tests verknüpfen. Ist die Beleuchtung inhomogen, kann der Graph sichtbar machen, dass ein globaler Schwellwert nur eingeschränkt geeignet ist und eine erneute Validierung erforderlich wird.
Ähnlich verhält es sich bei der geometrischen Auswertung. Die OpenCV-Dokumentation zur Kamerakalibrierung beschreibt die Ermittlung von Kameramatrix und Verzerrungsparametern aus korrespondierenden Objekt- und Bildpunkten. Ein Knowledge Graph kann festhalten, welche Kalibrierung zu welcher Kamera-Objektiv-Konfiguration gehört, wann sie durchgeführt wurde und für welche Messung sie verwendet werden darf. Das verhindert nicht automatisch eine falsche Zuordnung, macht sie aber erkennbar und prüfbar.
Bausteine für eine belastbare technische Wissensbasis
Für die Umsetzung existieren etablierte offene Standards. Sie erfüllen unterschiedliche Aufgaben:
- RDF: beschreibt Wissen als gerichteten Graph aus eindeutigen Ressourcen und Beziehungen.
- JSON-LD: bildet verknüpfte Daten in einem JSON-basierten Format ab und erleichtert die Integration in Web- und Softwareprojekte.
- PROV-O: modelliert Herkunft und Entstehung von Informationen. Damit lässt sich beispielsweise festhalten, aus welchem Test oder Dokument eine Aussage stammt.
- SHACL: definiert prüfbare Bedingungen für RDF-Graphen. So kann verlangt werden, dass jede freigegebene Entscheidung eine Quelle und einen Validierungsstatus besitzt.
- SOSA/SSN: stellt Begriffe für Sensoren, Beobachtungen, Verfahren, Messgrößen und beobachtete Objekte bereit.
Diese Standards sind kein Selbstzweck. Für ein kleines Projekt genügt zunächst ein enges Vokabular mit wenigen, klar definierten Beziehungen. Entscheidend ist, dass die Struktur konkrete Fragen beantwortet und nicht nur vorhandene Dokumente in ein neues Format überträgt.
Was KI dadurch besser kann – und was nicht
Ein KI-System kann einen sauber aufgebauten Knowledge Graph nutzen, um Zusammenhänge gezielter zu finden und Antworten mit vorhandenen Quellen, Bedingungen und offenen Lücken zu verbinden. Eine sinnvolle Frage wäre beispielsweise: „Warum wurde diese Kamera für die Prüfaufgabe ausgewählt und welche Annahme ist noch nicht am Zielsystem bestätigt?“
Eine belastbare Antwort darf nicht nur die Auswahl nennen. Sie muss die Kette von Anforderung, Regel, Quelle und Validierung offenlegen. Fehlt ein Nachweis, sollte die Antwort ausdrücklich nicht direkt begründet oder noch zu verifizieren lauten. Ein unbekannter Zusammenhang darf nicht durch eine plausibel klingende Behauptung ersetzt werden.
Die Grenze ist klar: Ein Knowledge Graph ist weder ein trainiertes Bildverarbeitungsmodell noch eine Produktionsfreigabe. Er verbessert Nachvollziehbarkeit und Konsistenz, aber er erzeugt keine fehlende Evidenz. Für die industrielle Validierung bleiben reale Bilder, die vorgesehene Hardware, kalibrierte Einstellungen, definierte Prüfkriterien und gemessene Ergebnisse erforderlich.
Pragmatischer Einstieg in sechs Schritten
- Fragen festlegen: Zuerst bestimmen, welche technischen Entscheidungen später nachvollziehbar beantwortet werden sollen.
- Begriffe begrenzen: Mit Prüfaufgabe, Komponente, Parameter, Regel, Quelle, Ergebnis, Lücke und Validierung beginnen.
- Eindeutige Identitäten vergeben: Kamerakonfigurationen, Datensätze und Tests benötigen stabile Kennungen.
- Provenienz erfassen: Jede relevante Aussage wird mit ihrer Quelle und ihrem Entstehungskontext verbunden.
- Qualitätsregeln prüfen: Pflichtbeziehungen und erlaubte Werte werden automatisiert validiert.
- Mit echten Fragen testen: Der Graph ist erst nützlich, wenn Fachpersonen Antworten und Begründungsketten zuverlässig prüfen können.
Fazit
Knowledge Graphs können die industrielle Bildverarbeitung nicht automatisch „intelligent“ machen. Richtig eingesetzt schaffen sie jedoch etwas sehr Wertvolles: Sie verbinden technische Entscheidungen mit ihren Voraussetzungen, Quellen, Grenzen und Nachweisen. Dadurch wird Wissen wiederverwendbar, Änderungen werden besser beherrschbar und KI-gestützte Auswertungen erhalten einen kontrollierbaren Kontext.
Der größte Nutzen entsteht nicht durch möglichst viele Knoten, sondern durch belastbare Beziehungen. Eine kleine, geprüfte Wissensbasis ist für technische Entscheidungen wertvoller als ein großer Graph voller unbestätigter Aussagen.