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

Die automatische optische Inspektion spielt als zerstorungsfreie Analysemethode in modernen industriellen Fertigungsprozessen eine wichtige Rolle. Typische, kommerziell eingesetzte automatische Inspektionssysteme sind dabei speziell an die jeweilige Aufgabenstellung angepasst und sind sehr aufwendig in der Entwicklung und Inbetriebnahme. Auserdem kann mangelndes Systemwissen der Anwender die Inspektionsleistung im industriellen Einsatz verschlechtern. Maschinelle Lernverfahren bieten eine Alternative: Die Anwender stellen lediglich eine Stichprobe bereit und das System konfiguriert sich von selbst. Ebenso konnen diese Verfahren versteckte Zusammenhange in den Daten aufdecken und so den Entwurf von Inspektionssystemen unterstutzen.  Diese Arbeit beschaftigt sich mit geeigneten lernenden Verfahren fur die optische Inspektion. Die als Beispiel dienende Schuttgutsortierung setzt dabei die Rahmenbedingungen: Die Aufnahmebedingungen sind kontrolliert und die Objekterscheinung einfach. Gleichzeitig zeigen die Objekte mitunter nur wenige diskriminative Merkmale. Die Lernstichproben sind klein, unbalanciert und oft unvollstandig in Bezug auf die moglichen Defektklassen. Zusatzlich ist die verfugbare Rechenzeit stark begrenzt. Unter Berucksichtigung dieser Besonderheiten werden in der vorliegenden Arbeit lernende Methoden fur die Mustererkennungs-Schritte Bilderfassung, Merkmalsextraktion und Klassifikation entwickelt.  Die Auslegung der Bilderfassung wird durch die automatische Selektion optischer Filter zur Hervorhebung diskriminativer Merkmale unterstutzt. Anders als vergleichbare Methoden erlaubt die hier beschriebenen Methode die Selektion optische Filter mit beliebig komplizierten Transmissionskurven.  Da relevante Merkmale die Grundvoraussetzung fur eine erfolgreiche Klassifikation sind, nimmt die Merkmalsextraktion einen grosen Teil der Arbeit ein. Solche Merkmale konnen beispielsweise aus einer Menge an Standardmerkmalen identifiziert werden. In der Schuttgutsortierung ist dabei neben der Relevanz aber auch der Rechenaufwand der Merkmalsextraktion von Bedeutung. In dieser Arbeit wird daher ein Merkmalsselektionsverfahren beschrieben, welches diesen Aufwand mit einbezieht. Daneben werden auch Verfahren untersucht, mit denen sich Merkmale mit Hilfe einer Lernstichprobe an ein gegebenes Sortierproblem anpassen lassen. Im Rahmen dieser Arbeit werden dazu zwei Methoden zum Lernen von Formmerkmalen bzw. von Farb- und Texturmerkmalen beschrieben. Mit beiden Verfahren werden einfache, schnell berechenbare, aber wenig diskriminative Merkmale zu hochdiskriminativen Deskriptoren kombiniert. Das Verfahren zum Lernen der Farb- und Texturdeskriptoren erlaubt auserdem die Detektion und Ruckweisung unbekannter Objekte. Diese Ruckweisungsoption wird im Sinne statistischer Tests fur Anwender leicht verstandlich parametriert.  Die Detektion unbekannter Objekte ist auch das Ziel der Einklassenklassifikation. Hierfur wird in dieser Arbeit ein Verfahren beschrieben, das den Klassifikator anhand einer Lernstichprobe mit lediglich Beispielen der Positivklasse festlegt. Die Struktur dieses Klassifikators wird auserdem ausgenutzt, um sicher unbekannte Objekte um Grosenordnungen schneller zuruckzuweisen als dies mit alternativen Verfahren moglich ist.  Alle vorgestellten Verfahren werden anhand von synthetischen Datensatzen und Datensatzen aus der Lebensmittelinspektion, Mineralsortierung und Inspektion technischer Gegenstande quantitativ evaluiert. In einer Gegenuberstellung mit vergleichbaren Methoden aus der Literatur werden die Starken und Einschrankungen der Methoden herausgestellt. Hierbei zeigten sich alle vorgestellten Verfahren gut fur die Schuttgutsortierung geeignet.  Die vorgestellten Verfahren erganzen sich auserdem gegenseitig. Sie konnen genutzt werden, um ein komplettes Sortiersystem auszulegen oder um einzeln als Komponenten in einem bestehenden System eingesetzt zu werden. Die Methoden sind dabei nicht auf einen bestimmten Anwendungsfall zugeschnitten, sondern fur eine grosen Palette an Produkten einsetzbar. Somit liefert diese Arbeit einen Beitrag zur Anwendung maschineller Lernverfahren in optischen Inspektionssystemen.

Über lernende optische Inspektion am Beispiel der Schüttgutsortierung