Was ist Computer Vision in der Mode? Von der Fehlererkennung bis zur Regalüberwachung
Mit Computer Vision können Maschinen Bilder und Videos lesen: Stofffehler erkennen, Produktfotos verschlagworten, visuelle Suche ermöglichen und Regale prüfen. Was die Technologie leistet, was sie braucht und wo ihre Grenzen liegen.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Computer Vision ist ein Teilgebiet der künstlichen Intelligenz, das mithilfe von Machine Learning Bilder und Videos verarbeitet, analysiert und interpretiert, mit Aufgaben wie Klassifizierung, Objekterkennung, Segmentierung und visueller Inspektion.
- In der Mode wird Computer Vision entlang der gesamten Wertschöpfungskette eingesetzt: bei der Stoff- und Bekleidungsprüfung in der Produktion, bei der automatischen Attributverschlagwortung von Produktbildern, bei der visuellen Suche für Kundinnen und Kunden sowie bei der Überwachung von Ladenregalen.
- Das an der Hong Kong Polytechnic University entwickelte System WiseEye prüft Stoffe während des Webens und erkennt Berichten zufolge rund 40 häufige Stofffehler bei einer Auflösung von bis zu 0,1 mm pro Pixel.
- Google gab im Oktober 2024 an, dass Lens fast 20 Milliarden visuelle Suchanfragen pro Monat verarbeitet und dass 20 Prozent der Lens-Suchen einen Shopping-Bezug haben.
- Bildverarbeitungssysteme sind auf repräsentative, annotierte Bilder, kontrollierte Beleuchtung und laufendes Nachtrainieren angewiesen, und der Einsatz von Kameras, die Personen erfassen, wirft Fragen zu Datenschutz und EU AI Act auf.
Computer Vision ist der Bereich der KI, der Software befähigt, Bilder und Videos zu interpretieren. In der Mode erledigt sie bereits konkrete Aufgaben: Fehler im Stoff schon beim Weben finden, fertige Kleidungsstücke prüfen, Produktfotos mit Attributen wie Farbe und Ausschnitt verschlagworten, Kundinnen und Kunden mit einem Bild suchen lassen und prüfen, ob Ladenregale und Kleiderständer richtig bestückt sind. Am besten funktioniert sie bei eng umrissenen, wiederkehrenden visuellen Aufgaben mit guten Bildern und sauber annotierten Trainingsdaten.
Was ist Computer Vision?
IBM definiert Computer Vision als Teilgebiet der künstlichen Intelligenz, das Maschinen die Fähigkeit verleiht, visuelle Eingaben wie Bilder und Videos zu verarbeiten, zu analysieren und zu interpretieren, wobei Machine Learning genutzt wird, um nützliche Informationen zu gewinnen. Statt von Hand geschriebenen Regeln zu folgen, lernen moderne Bildverarbeitungsmodelle Muster aus vielen annotierten Beispielbildern, etwa aus Tausenden Fotos von Stoffen mit der Kennzeichnung «Fehler» oder «kein Fehler», und wenden sie dann auf neue Bilder an.
Welche Aufgaben kann Computer Vision übernehmen?
IBM nennt eine Reihe von Kernaufgaben. Für die Mode am relevantesten sind:
- Bildklassifizierung: ein Bild einer Kategorie zuordnen, etwa «Kleid» oder «Hose».
- Objekterkennung: Gegenstände in einem Bild mit Begrenzungsrahmen lokalisieren, zum Beispiel jedes Kleidungsstück in einem Regal.
- Bildsegmentierung: Bilder Pixel für Pixel kennzeichnen, um exakte Umrisse zu finden, nützlich zum Freistellen von Produkten vor dem Hintergrund.
- Visuelle Inspektion: Mängel oder Fehler automatisch erkennen.
- Optische Zeichenerkennung: Text lesen, etwa Pflegeetiketten, Preisschilder oder Packlisten.
- Objektverfolgung und Posenschätzung: Gegenstände oder Körperbewegungen über mehrere Videobilder hinweg verfolgen.
Wie wird Computer Vision entlang der Wertschöpfungskette der Mode eingesetzt?
| Stufe | Anwendung | Wichtigste Voraussetzung | Reifegrad |
|---|---|---|---|
| Textilproduktion | Erkennung von Stofffehlern beim Weben oder bei der Warenschau | Fest installierte Kameras, gleichmässige Beleuchtung, annotierte Fehlerbilder | Etabliert in Piloten und Produktion |
| Konfektion | Prüfung von Nähten, Drucken und Massen | Definierte Qualitätsstandards pro Modell | Im Aufkommen |
| Lager | Etiketten lesen, Kartons und Retouren prüfen | Standardisierte Etiketten und Verpackungen | Etabliert |
| Produktcontent | Automatische Verschlagwortung von Attributen aus Produktfotos | Abgestimmte Attributtaxonomie | Etabliert |
| E-Commerce | Visuelle Suche und Empfehlungen ähnlicher Artikel | Grosser, gut verschlagworteter Bildkatalog | Etabliert |
| Filialen | Überwachung von Regalen und Kleiderständern, Erkennung fehlender Ware | Kameraabdeckung, Planogramme, Datenschutzvorkehrungen | Piloten, gemischte Ergebnisse |
Wie erkennt KI Stofffehler?
Die Warenschau wurde traditionell von Menschen an Schautischen durchgeführt, eine Aufgabe, die über lange Schichten ermüdend und fehleranfällig ist. Bildverarbeitungssysteme montieren Kameras über dem Stoff, nutzen kontrollierte Beleuchtung und vergleichen jedes Bild mit dem Aussehen von fehlerfreiem Stoff. Ein dokumentiertes Beispiel ist WiseEye, entwickelt vom Forschungsteam für KI in Textil und Bekleidung am Institute of Textiles and Clothing der Hong Kong Polytechnic University. Laut PolyU erfasst das System mit einer LED-Lichtleiste und einer Kamera auf einer Schiene während des Webens die gesamte Stoffbreite, erkennt mit einem KI-basierten Machine-Vision-Algorithmus rund 40 häufige Stofffehler bei einer Auflösung von bis zu 0,1 mm pro Pixel und liefert Echtzeitanalysen und Warnmeldungen.
Der praktische Nutzen solcher Systeme liegt darin, Fehler früh zu erkennen, bevor der Stoff zugeschnitten und vernäht wird. Ihre Grenzen sind ebenso praktischer Natur: Neue Stoffe, Drucke oder Texturen sehen anders aus als die Trainingsdaten, daher brauchen die Modelle neue annotierte Beispiele und regelmässiges Nachtrainieren, und die Ergebnisse hängen stark von stabiler Beleuchtung und Kamerakalibrierung ab.
Weiter hinten in der Kette werden dieselben Techniken auf Zuschnittteile und fertige Kleidungsstücke angewendet, etwa um die Platzierung von Drucken, Nähte oder die Farbkonsistenz mit einer Referenz abzugleichen. Das ist schwieriger als die Prüfung flacher Stoffe, weil Kleidungsstücke dreidimensional und weich sind und je nach Grösse variieren; viele Fabriken setzen deshalb weiterhin vor allem auf menschliche Qualitätskontrolle. Im Lager ist die Bildverarbeitung ausgereifter: Etiketten per optischer Zeichenerkennung lesen, Karton-Inhalte prüfen und Retouren klassifizieren sind klar definierte Aufgaben, bei denen eine Kamera an einer festen Station immer wieder dieselbe Art von Objekt sieht.
Wie funktionieren visuelle Suche und Bildverschlagwortung?
Auf der kommerziellen Seite wandeln Bildverarbeitungsmodelle Produktbilder in vergleichbare numerische Darstellungen um. Das Foto einer Jacke, das eine Kundin aufnimmt, wird mit Katalogbildern abgeglichen, um ähnliche Artikel zu finden, und neue Produktfotos können automatisch mit Attributen wie Farbe, Muster oder Ärmellänge verschlagwortet werden. Das Konsumverhalten zeigt, warum das wichtig ist: Google gab im Oktober 2024 laut Glossy an, dass Lens fast 20 Milliarden Suchanfragen pro Monat verarbeitet und dass 20 Prozent der Lens-Suchen einen Shopping-Bezug haben. Für Marken und Händler heisst das: Saubere, einheitliche Produktbilder und Attribute entscheiden darüber, ob ihre Produkte visuell gefunden werden.
Was ist mit der Regalüberwachung in Filialen?
Die Überwachung von Regalen und Kleiderständern nutzt fest installierte Kameras, Handgeräte oder Roboter, um das, was ausgestellt ist, mit dem Soll-Zustand zu vergleichen, und meldet Lücken, falsche Platzierungen oder fehlende Preisschilder. In der Mode ist diese Aufgabe schwieriger als im Lebensmittelhandel, weil Kleidungsstücke gefaltet, aufgehängt und von Kundinnen und Kunden angefasst werden und sich Artikel in Grösse und Farbe auf eine Weise unterscheiden, die Kameras schwer auseinanderhalten können. Die Kombination von Kameradaten mit RFID oder Bestandsdaten kann daher verlässlicher sein als der Einsatz von Kameras allein. Business Cases sollten in Piloten getestet werden, die eingesparte Personalzeit und zurückgewonnene Umsätze messen, nicht nur die Erkennungsgenauigkeit.
Welche Risiken und Anforderungen gibt es?
Drei Themen tauchen immer wieder auf. Erstens Daten: Bildverarbeitungsmodelle brauchen viele repräsentative, korrekt annotierte Bilder, auch von seltenen Fehlern oder ungewöhnlichen Produkten. Zweitens Betrieb: Kameras, Beleuchtung und die Integration in Produktions- oder Filialsysteme kosten Geld und müssen gewartet werden. Drittens Menschen und Recht: Jedes System, das Mitarbeitende oder Kundschaft erfasst, unterliegt den Datenschutzvorschriften. Der EU AI Act, seit dem 1. August 2024 in Kraft, verbietet ab dem 2. Februar 2025 bestimmte Praktiken, darunter Emotionserkennung am Arbeitsplatz und das ungezielte Auslesen von Videoüberwachungsaufnahmen zum Aufbau von Gesichtserkennungsdatenbanken. Modeunternehmen sollten Bildverarbeitungssysteme wo immer möglich so gestalten, dass sie Produkte erfassen und nicht Menschen.
Häufige Fragen
Wofür wird Computer Vision in der Mode eingesetzt?
Computer Vision wird für die Qualitätsprüfung von Stoffen und Kleidungsstücken, das Lesen von Etiketten im Lager, die Verschlagwortung von Produktbildern mit Attributen, die visuelle Suche in Onlineshops und die Überwachung von Regalen in Filialen eingesetzt. Am verlässlichsten ist sie bei eng umrissenen, wiederkehrenden visuellen Aufgaben mit guter Bildqualität.
Kann KI Stofffehler besser erkennen als Menschen?
Bildverarbeitungssysteme prüfen gleichbleibend, ohne zu ermüden, und mit hoher Auflösung; das System WiseEye der PolyU etwa erkennt Berichten zufolge rund 40 häufige Fehlerarten. Die Leistung hängt von Beleuchtung, Kalibrierung und Trainingsdaten ab, und neue Stoffe oder Drucke erfordern in der Regel zusätzliche annotierte Beispiele.
Wie funktioniert die visuelle Suche in Mode-Onlineshops?
Ein Bildverarbeitungsmodell wandelt das Foto der Kundin oder des Kunden und die Katalogbilder in numerische Darstellungen um und liefert die ähnlichsten Produkte. Die Ergebnisse hängen von der Qualität und Einheitlichkeit der Produktbilder und Attribute im Katalog ab.
Ist Kamera-KI in Filialen in der EU zulässig?
Viele Anwendungen sind zulässig, müssen aber das Datenschutzrecht einhalten, und der EU AI Act verbietet ab dem 2. Februar 2025 bestimmte Praktiken, etwa Emotionserkennung am Arbeitsplatz. Systeme, die sich auf Produkte statt auf identifizierbare Personen konzentrieren, bergen ein weit geringeres rechtliches Risiko.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
