http://www.tu-ilmenau.de

Logo TU Ilmenau


Ihre Position

INHALTE

Objekterkennung / Maschinelles Lernen

Thematische Schwerpunkte

  • Methoden der Objekt-/Mustererkennung und des maschinellen Lernens in 2D-/3D-/Farb-, Multikanal- und Spektralbildern
  • Bildanalyse und parallele multikanalige Sortierung von Naturprodukten (Getreide, Saatgut, Gestein u.a.)
  • Methoden zur Automatisierung von Sichtprüfung und technischer Erkennung (Defekterkennung auf technischen Oberflächen, Erkennung von Materialfehlern, Erkennung von Form-, Farb- und Texturabweichungen u.a.)
  • Methoden zur Beurteilung der Komplexität gegebener Erkennungsaufgaben und geeigneter Merkmale zur Klassentrennung
  • Fusion von bildanalytisch und spektralanalytisch gewonnenen Merkmalen zur automatisierten Objekterkennung
  • Methoden zur optimalen applikationsspezifischen Klassifikatorauswahl 
  • Optimierungsmethoden zur automatischen Klassifikatorparameterwahl

Laufende Projekte

RezykDetect: Entwicklung einer lernfähigen Bildanalyse für rezyklierte Gesteinskörnungen im visuellen und nahinfraroten Spektrum

Das Thema ist Bestandteil des Kooperationsprojektes „Analyseverfahren zur automatisierten Qualitätssicherung für rezyklierte Gesteinskörnungen auf Basis hyperspektraler Bildinformationen im VIS und NIR“ Es wird im Rahmen des Programms "Zentrales Innovationsprogramm Mittelstand (ZIM)" BMWi gefördert. Förderkennzeichen: ZF4075106GR6

Die größte Herausforderung im Bauschutt-Recycling besteht derzeit in der Qualitätsverbesserung der rezyklierten Gesteinskörnungen, die aus sehr unterschiedlichen Quellen stammen. Variierende Gehalte an porösen Partikeln mit hohem Zementsteingehalt oder Ziegelanteil, Verunreinigungen durch organisches Material (Holz, Plastik, Papier), Gips, Glas und Asbest und das Fehlen einer adäquaten Qualitätssicherung beeinträchtigten das Niveau der Verwertung. Ziel des Projektes ist es, ein neues Analyseverfahren zur Qualitätssicherung und Identifikation von mineralischen Bau- und Abbruchabfallgemischen auf der Grundlage optischer Mustererkennungsverfahren zu entwickeln, welches den Anforderungen nach DIN EN 12620 hinsichtlich der zu unterscheidenden Bauschuttklassen gerecht wird.

Bild: Methode zur automatisierten Stoffidentifizierung

OptoCheck: Entwicklung lernfähiger Algorithmen zur Detektion von Oberflächenfehlern basierend auf maschinellen Lernverfahren

Das Thema ist Bestandteil des Kooperationsprojektes „Neuartiges Verfahren zur lnline-Prüfung von Maßhaltigkeit und Oberflächenbeschaffenheit an komplexen Bauteilen in Maschinenbau und Automotive“.

Das Hauptziel des Projektes ist die Entwicklung von Verfahren für die fertigungsintegrierte Prüfung von komplex strukturierten und damit schwer zu prüfenden Kunststoffbauteilen (vorwiegend Polycarbonate).

Durch die flexible Positionierung eines Messsystems mittels moderner Handhabetechnik kann die komplexe 3-D-Geometrie erfasst werden und gleichzeitig die Oberfläche an allen qualitätsbestimmenden Bauteilflächen (insbesondere Sicht- und Funktionsflächen) automatisiert mit einer Auflösung von wenigen Mikrometern abgebildet und bewertet werden.

Häufig sind im Bereich der Kunststoffverarbeitung nicht alle Fehler in Form eines Fehlerkatalogs beschreibbar (z. B. zufällige Verunreinigungen im Granulat). Deshalb wird neben der Fehlererkennung auf Basis von Referenzteilen für klar definierte Fehlerklassen (überwachtes maschinelles Lernen, Klassifikation) auch der Ansatz der Detektion von Abweichungen von einer Reihe vorher definierter Musterteile (Novelty-detection-Verfahren) zur Erkennung von Anomalien verfolgt.

Das Projekt wird gefördert aus Mitteln des Europäischen Fonds für regionale Entwicklung (EFRE-OP 2014-2020) und aus Landesmitteln. Im Rahmen des Förderprogramms: Richtlinie des Freistaats Thüringen zur Förderung von Forschung, Technologie und Innovation (FTl-Richtlinie), ThürStAnz. Nr. 36/2015 vom 07.09.2015, S. 215, in Kraft getreten am 19.08.2015. Förderkennzeichen: 2017 FE 9111.