Innerhalb der sogenannten Künstliche Intelligenz nimmt das Maschinelle Lernen eine Schlüsselfunktion ein und löst Probleme, für welche rein algorithmische Verfahren zu komplex wären. Im Gegensatz zum klassisch programmierten Algorithmus werden beim Maschinellen Lernen die Instruktionen nicht vom Programmierer in Quellcode umgesetzt, sondern es wird beispielsweise ein Neuronales Netz verwendet oder entworfen, das in der Lage ist, eine Problemlösung zu «lernen». Das wird an einem einfachen Beispiel erläutert: Es soll zuerst automatisch festgestellt werden, ob ein gegebenes Bild ein Fahrzeug zeigt. Wenn ja, so soll zweitens der Ort ermittelt werden, wo sich das Nummernschild des Fahrzeugs befindet. Und schliesslich soll der Text auf dem Kennzeichen identifiziert werden.
Um die erste Teilaufgabe zu lösen, verwendet Stettbacher Signal Processing AG (SSP) ein vortrainiertes Netz. Derartige Netze, welche die Lösung verschiedener Aufgaben schon erlernt haben, und die beispielsweise auf Fotos Menschen, Haustiere, oder eben Fahrzeuge erkennen können, sind frei verfügbar. Freilich ist die Qualität und die Zuverlässigkeit dieser Netze anhand von eigenen Daten (Bildern) zu prüfen. Falls nun ein Fahrzeug im Foto erkannt wurde, so gilt es, sein Nummernschild zu lokalisieren. Für diese zweite Teilaufgabe hat SSP ein eigenes Netz trainiert. Dazu musste zuerst eine grosse Menge von Fotos als Trainingsdaten aufgenommen oder gesammelt werden. Die Bilder enthalten Nummernschilder aus unterschiedlichen Perspektiven und bei diversen Lichtverhältnissen. Da die Geometrie, Farbe und Erscheinung von Fahrzeugkennzeichen verhältnismässig uniform sind, waren nur wenige hundert Bilder notwendig. Andere Fälle verlangen tausende oder mehr Datensätze. Entsprechend rechenaufwendig ist dann das Training. Es wird üblicherweise auf speziell ausgerüsteteten Computern durchgeführt. Das so von SSP trainierte Netzwerk ortet und erkennt Nummernschilder zuverlässig.
Schliesslich bleibt als dritter und letzter Schritt noch das Lesen des Kennzeichens: Dafür wird ein weiteres vortrainiertes Netzwerk verwendet, das Texte in Bildern identifizieren kann. Ihm wird der Bildausschnitt mit dem zuvor entzerrten Nummernschild übergeben. Die Aufgabe ist somit gelöst.
SSP setzt die Technologie erfolgreich in Kundenprojekten im Bereich Machine Vision und Robotik ein. Wiederkehrende Aufgaben sind dort Detektion und Lokalisation von komplexen Objekten, die Bestimmung deren Lage und Ausrichtung im Raum sowie das Fassen und/oder exakte Platzieren der Objekte.