Autor: Lilli Haar

Die vorliegende Arbeit soll einen Beitrag für die industrielle Anwendung von Verfahren der Künstlichen Intelligenz im Zusammenhang mit der Bildverarbeitung leisten. Hierbei war das Ziel, unüberwachte maschinelle Lernverfahren in ausgewählten Schritten der Bildverarbeitungskette einzusetzen und eine verbesserte Analyse gegebener Bilddatensätze zu ermöglichen. Neben einer ausführlichen Recherche zum Stand der Technik konnten wichtige Hinweise für den praktischen Einsatz des maschinellen Lernens zusammengetragen werden. Da bereits bestehende Datensätze verwendet wurden, entfiel der erste Schritt der Bildverarbeitungskette – die Bildaufnahme. Für die Segmentierung wurde ein auf dem Clustering basierendes Verfahren untersucht und mit konventionellen Verfahren verglichen. Der nächste Schritt widmete sich der Detektion von Ausreißern unter Verwendung des Clusterings. Anschließend wurden Einsatzmöglichkeiten des unüberwachten Lernens für die Merkmalsselektion und Dimensionsreduktion untersucht. Des Weiteren lassen sich auf Basis der bekannten Objektklassen und den mittels des unüberwachten Lernens gefundenen Clustern Rückschlüsse auf die Komplexität vorliegender Datensätze und damit letztlich auf die Wahl eines geeigneten Klassifikators ziehen. Abschließend wurden Untersuchungen mit dem Convolutional Neural Network, welches dem Deep Learning angehört, durchgeführt. Im Rahmen der vorliegenden Arbeit wurden selbst erstellte sowie vortrainierte Netze verwendet und klassischen Verfahren gegenübergestellt. Weiterhin wurden die klassischen Merkmale sowie die durch AlexNet berechneten Merkmale bezüglich der Klassifikation und des Clusterings beurteilt. Bei den eigens angelernten Netzen konnten auf Grund zu geringer Datensatzmengen keine hohen Erkennungsleistungen erzielt werden. Mit großen Bilddaten vortrainierte Netze lieferten hingegen sehr gute Ergebnisse. Insgesamt konnte aufgezeigt werden, dass das unüberwachte Lernen durchaus einen positiven und unterstützenden Beitrag für die Lösung von Bildverarbeitungsaufgaben leisten kann und dass Deep-Learning-Verfahren äußerst erfolgreiche Werkzeuge für den bildanalytischen Einsatz in der Erkennung darstellen.