English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

Industrielle Bildverarbeitung wird in immer größerem Maße automatisiert. Vollständig autonom lernende Systeme sind aber häufig nicht realisierbar, da Repräsentanten der aufzufindenden Fehlerklassen nicht in ausreichendem Maße vorliegen. Wir stellen hier ein Vorgehen vor, das sowohl die parametrisierbaren Methoden der Bildverarbeitung nutzt, als auch moderne Modellierungs- und Lernverfahren. Modellannahmen werden dabei zur Einbringung von Vorwissen in Kontur- und Segmentierungsdetektion genutzt, maschinelles Lernen zur Detektion auffälliger Regionen. Da die Beschaffung von Fehlermustern in der Regel wesentlich aufwändiger ist, als diejenige von Gutteilen, werden hier Methoden der sogenannten Ein-Klassen-Klassifikation bzw. des PU-Learnings (positive and unlabelled data) vorgestellt. Die Anwendbarkeit und Flexibilität der genannten Verfahren wird an Hand einiger Beispiele aus der industriellen Praxis demonstriert.

Modellbasiertes Lernen in der Oberflächeninspektion