DE19612465C2 - Automatisches Optimieren von Objekt-Erkennungssystemen - Google Patents
Automatisches Optimieren von Objekt-ErkennungssystemenInfo
- Publication number
- DE19612465C2 DE19612465C2 DE19612465A DE19612465A DE19612465C2 DE 19612465 C2 DE19612465 C2 DE 19612465C2 DE 19612465 A DE19612465 A DE 19612465A DE 19612465 A DE19612465 A DE 19612465A DE 19612465 C2 DE19612465 C2 DE 19612465C2
- Authority
- DE
- Germany
- Prior art keywords
- recognition
- configuration
- mentioned
- classification
- detection system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Description
Bisheriger Aufbau für Mustererkennungssysteme folgt dem von
Niemann beschriebenen Grundkonzept (Niemann, Klassifikation von
Mustern, Springer 1983). Hierbei werden Daten (z. B. bei der
automatischen Prüfung) über einen Sensor (z. B. Mikrofon, Kamera)
aufgenommen und vorverarbeitet. Danach werden problemspezifisch
Merkmale ausgewählt. Merkmale sind Zahlen oder Zahlengruppen,
die für die Lösung eines speziellen Mustererkennungsproblems
besonders geeignet sind. So existieren z. B. Texturmerkmale
(Haralick, Galloway, Laws, usw.), um Oberflächen-Prüfaufgaben an
Werkstücken durchzuführen. Nach Berechnung dieser Texturmerkmale
lassen sich Werkstückoberflächen besonders leicht in
unterschiedliche Klassen (intakt, mit Kratzern, Verfärbung z. B.
durch Rost) einteilen. Bei jedem Prüfproblem erfolgt die Auswahl
der Merkmale einmal von Hand, durch einen Ingenieur, was
zeitaufwendig ist.
Aus der DE 44 36 408 C1 ist dem Fachmann ein Mustererkennungs-
Verfahren zugänglich, das eine Trainingsphase beinhaltet, in der
eine Kalibriervorschrift entwickelt wird, um im
Erkennungsbetrieb die von einem Klassifikator geschätzten
Bewertungen anhand der - in der Trainingsphase ermittelten -
Kalibriervorschrift durch andere Werte zu ersetzen. Die in der
dortigen Fig. 2 skizzierten Kalibrierkurven führen zu einer
Zurückweisung oder zu einer Zuordnung von bewerteten Kennungen
in einer Entscheidungsstufe (vgl. dortige Fig. 1). Ziel dieses
Standes der Technik ist es, Bewertungen auszuführen, mit
kennungsspezifischer Kalibrierung, zur Verringerung der
Fehlerrate des Erkennungssystems oder mit anderen Worten
ausgedrückt, soll die Zuverlässigkeit der dortigen Entscheidung
verbessert werden. Prüfprobleme in der Fertigungstechnik
überhaupt einzustellen, was gemäß obiger Darstellung in der
Regel durch einen Ingenieur von Hand geschieht, erwähnt diese
Druckschrift nicht.
In schnell wandelbaren Produktionsumgebungen ist aber die zügige
Konfiguration (die "Einstellung überhaupt") von Prüfsystemen
bedeutend, um auch bei wechselnden Produktpaletten sofort eine
gleichbleibend hohe Produktqualität vorweisen zu können, worin
die Erfindung ihre Aufgabe sieht. Da die Neukonfiguration von
Prüfsystemen für ein gerade angelaufenes Produkt jeweils eine
sehr Zeit- und kostenintensive Tätigkeit darstellt, besteht
Bedarf für Verfahren, die diese Aufgabe automatisch vornehmen
können, insbesondere industriell und bei kurzer Ausführungszeit.
Gelöst wird diese Aufgabe gemäß Anspruch 1 mit einem Verfahren
zum automatischen Optimieren, beinhaltend eine Einstellung einer
ersten Konfiguration, eine Bewertung der Leistungsfähigkeit
dieser Konfiguration und eine Änderung der zuerst eingestellten
Konfiguration gemäß einem Optimierungsverfahren. Die
Leistungsfähigkeits-Bewertung, die auch als "Eignung zur
Problemlösung" der optimierten Erkennung und Klassifizierung
bezeichnet werden kann, erfolgt aufgrund des
Erkennungsergebnisses E zu einer Test-Stichprobe, die aus
mehreren Objekten besteht, wobei E in Prozent-Zahlen ausgedrückt
werden kann.
Ausgehend von dem Testergebnis mit der Test-Stichprobe wird die
eingestellte Konfiguration des Erkennungssystems geändert und
dann erneut eine Bewertung der Leistungsfähigkeit dieser
geänderten Konfiguration vorgenommen (Anspruch 2,
Alternative x). Zur zweiten Leistungsfähigkeits-Bewertung (sie
kann auch als eine übergeordnete Messung der Systemantwort
bezeichnet werden) kann derselbe Test-Stichprobensatz von
Erkennungsobjekten dienen, wie schon zuvor bei der Bewertung der
zuerst eingestellten Konfiguration.
Leicht vorstellbar ist, wie das iterative Verfahren weiter
geführt wird, um in sukzessiven Änderungen und Bewertungen ein
System zu erstellen, das sich selbst auf eine Problemlösung hin
optimiert, ohne daß zeitaufwendig ein Ingenieur die
Konfiguration vornehmen muß.
Die Berechnungen und Auswertungen, die der Konfiguration
zugrundeliegen, werden mittels Rechnern durchgeführt; die
Systemsteuerung oder Optimierung ist ein übergeordneter
Verfahrensablauf, der die einzelnen Konfigurations-Läufe
koordiniert.
Die Bewertung der Leistungsfähigkeit (Anspruch 1, Gruppe b) kann
ergänzend eine Lernphase beinhalten, in der die Klassifikation
im Erkennungssystem, die aufgrund der gewählten Konfiguration
von bestimmten Merkmalen oder Merkmalsvektoren gespeist wird,
trainiert wird, um sicher zu klassifizieren (Anspruch 2,
Gruppe y). Für die Lernphase wird eine Lern-Stichprobe aus
mehreren unterschiedlichen Erkennungsobjekten zur Verfügung
gestellt, die vom Umfang und von der Art her nicht mit der Test-
Stichprobe, die zuvor erwähnt worden ist, übereinstimmen muß
(Anspruch 8).
Soweit in dieser Beschreibung der Erfindung das Stichwort
"Merkmal" verwendet wird, wird es in der technischen Bedeutung
verwendet, die in der Mustererkennung von Niemann (eingangs
erwähnt) geprägt ist. Merkmal wird hier nicht im Sinne eines
Merkmals eines Patentanspruchs verwendet, so daß insoweit
Mißverständnisse ausgeschlossen werden sollen. Auch wird hier
das Stichwort "Verfahren und Berechnung" nicht in der Weise
verwendet, die einem Algorithmus als solchem gleichsteht,
sondern in seiner technischen Bedeutung, daß die zuvor erwähnten
Merkmale aus Bilddaten oder Tondaten errechnet werden, basierend
auf einer vorgegebenen Formel oder aus mehreren Formeln, um eine
charakteristische Aussage für eine bestimmte Stelle (Pixel) der
erfaßten Oberfläche oder für einen bestimmten zeitlichen
Abschnitt von Audio-Signalen zu gewinnen.
Das technische Anwendungsfeld der Mustererkennung ist
vielschichtig und reicht tief in den Automatisierungsbereich von
Werkzeugmaschinen ebenso hinein, wie bei der Oberflächenanalyse
oder der Objekterkennung (Anspruch 3, 4).
Besonders herausgestellt werden soll die erfindungsgemäße
Möglichkeit, nicht den eingeprägten Merkmalsblöcken der
Texturanalyse verhaftet zu bleiben, die zum Beispiel für
Haralick zehn einzelne Parameter (Merkmale) als Block vorgibt.
Zur Klassifikation können erfindungsgemäß durchaus Merkmale von
unterschiedlichem gängigen Verfahren der Texturanalyse
zusammengestellt werden, so daß neue Merkmalsblöcke
erfindungsgemäß entstehen, unter der Steuerung einer neuen
Konfiguration und einer jeweils folgenden Bewertung der
Leistungsfähigkeit dieser gerade eingestellten Konfiguration.
Damit sei umrissen, daß unter dem Begriff der Konfiguration
nicht nur eine Umgestaltung der Wege und eine Änderung der Art
der zur Erkennung und Klassifizierung dienenden Systemblöcke
verbunden ist, sondern auch eine innere Neuordnung und innere
Modifikation einzelner Merkmale sowie deren Zusammenstellung
(Anspruch 7, Alternativen b und c).
Mit den Ergebnissen der Merkmalsberechnung wird ein
Klassifikationssystem in einer Lernphase trainiert (Lern- oder
Trainingsphase), das dann im folgenden in der Lage ist, auch
unbekannte Eingangsdaten der richtigen Zielklasse zuzuweisen.
Nach dem Training weiß der Klassifikator, daß z. B. immer dann
ein "Kratzer" auf der Oberfläche vorliegt, wenn Merkmal 17
kleiner als 0,5 und das Merkmal 41 größer als 9 ist.
Bei dem erfindungsgemäßen Verfahren sind die Merkmale selbst für
den Trainingsprozeß nicht mehr durch die manuelle Auswahl des
Ingenieurs vorgegeben, wodurch es möglich ist, das gesamte
Merkmalserkennungssystem insgesamt automatisch zu optimieren,
auch hinsichtlich der Konfiguration der Funktionsblöcke und in
den Funktionsblöcken (Anspruch 1, Gruppe c).
Der Ausgangspunkt dabei ist, daß die "Eignung" des
Gesamtsystems, also die Frage, ob ausgewählte Vorverarbeitung,
Merkmale und Klassifikatoren dem Problem angemessen sind, am
Erkennungsergebnis E auf einer für das Beispiel
charakteristischen Test-Stichprobe gemessen werden können. Im
Beispiel der Oberflächenanalyse besteht eine Test-Stichprobe zum
Beispiel aus mehreren Mustern der zu unterscheidenden Klassen
(intakt, Kratzer, Verfärbung), wobei gleichzeitig davon
unterschiedliche andere Muster für das Lernen und das Testen der
Eignung (Konfiguration) vorhanden sein können (Anspruch 8).
Die "Eignung" stellt also eine Bewertung für die gerade
konfigurierte Vorverarbeitung, Merkmalsauswahl und
Klassifikation dar.
Für eine Optimierung des Gesamtsystems werden alle
Einzelkomponenten so lange automatisch modifiziert (Anspruch 2),
bis die "Eignung" maximal wird. Als Opimierungsstrategien werden
hierfür nach dem Stand der Technik bekannte lineare und
nichtlineare Optimierungsverfahren wie Random Search, genetische
Algorithmen oder genetische Programmierung verwendet. Ebenso
können expertensystem-getriebene Verfahren eingang finden, die
erlauben, durch Vergleich mit optimalen Konfigurationen bei
anderen bekannten und ähnlichen Problemen die Suche nach der
optimalen Konfiguration für das neue Testproblem bereits bei
einem relativ guten Startwert zu beginnen und somit die
Optimierungszeit zu verkürzen. Alternativ wird der Startwert
schon auf einen Erfahrungswert initialisiert (Anspruch 10), um
Zeit für die Konfigurationsphase zu sparen.
Die Erfindung(en) werden nachfolgend anhand eines
Ausführungsbeispieles erläutert und ergänzt.
Fig. 1 veranschaulicht eine automatisch sich konfigurierende
Mustererkennung mit Bilddaten aus einer Kamera 60a.
Die Figur umschreibt in funktionaler Hinsicht Programsegmente
eines Erkennungs- und Klassifikationssystems, das nicht nur mit
Programmen, sondern mit in ihrer Funktion identischer Hardware
aufgebaut werden kann, wobei dem Fachmann an der Beschreibung
der Software-Realisierung ersichtlich ist, wie er die
korrespondierende Hardware-Realisierung verwirklicht. Meist wird
bei der Entwicklung und Inbetriebnahme eines solchen
Erkennungssystems statt der fest verdrahteten Hardware die
flexible Software bevorzugt, weshalb das Ausführungsbeispiel im
Bereich der Software beschrieben ist, was allerdings nicht als
Präjudiz angesehen werden soll, daß diese über die Software
einmal gefundene Systemkonfiguration nicht auch über eine
gleichwertige Hardware realisiert werden kann.
Eine Kamera 60a zeichnet Bilder auf, die hier von beispielhaften
Metallteilen 1a, 1b, 1c vorgegeben werden, mit ihren Oberflächen
A, B und C. Die Metallteile können sich in einer Richtung v an
der Kamera 60a vorbei bewegen, sie können auch stationär sein,
wenn die Kamera 60a schwenkbar ist.
Die Datenaufnahme 60 übernimmt die Bilddaten der Kamera 60a und
gibt sie an eine Vorverarbeitung 61 weiter. Diese beiden
Funktionseinheiten können Bildausschnitte und Kontrasterhöhung
des Bildes bewirken, auch können Vorverstärkungen und
Synchronisierungen in ihnen enthalten sein.
Aus den so vorverarbeiteten Daten werden zugeschnittene
Bilddaten der Merkmalsgewinnung 10 zugeführt, in der nach einem
vorgegebenen Verfahren, die weiter unten näher erläutert werden,
bestimmte Merkmale der Bilddaten berechnet werden:
- a) In einer Lernphase mit einer Lern-Stichprobe 1a, 1b, 1c von Erkennungsobjekten wird über die Verbindung 12 und den Lern-Funktionsblock 30 der Klassifikator 20 über die Verbindung 13 so eingestellt, daß er im nachfolgenden Betrieb die Erkennungsobjekte gut und sicher erkennt und zuordnet. In diesem Betrieb werden die Ergebnisse der Merkmalsberechnung nicht mehr über die Verbindung 12/13, sondern über die Verbindung 11 dem Klassifikator 20 direkt zugeführt, der daraus ein Klassifikationsergebnis E bildet, das die Oberfläche A, B und C der Erkennungsobjekte 1a, 1b und 1c in vorgegebene Klassen einteilt, die hier beispielhaft E1, E2 und E3 bezeichnet sind.
- b) Die Veränderung der Konfiguration, also die Veränderung der Merkmalszusammenstellung, der Verschaltung und der Auswahl der einzelnen Funktionsblöcke wird von einer Steuerung 50 übernommen, die die Optimierung anhand von linearen oder nichtlinearen Optimierungsverfahren vornimmt.
Es soll erwähnt sein, daß die hier dargestellte Kamera 60a ein
Beispiel der Oberflächenanalyse ist. Ebenso könnte ein Mikrofon
an ihrer Stelle sein, so daß Tonanalysen möglich werden,
beispielsweise bei Geräuschen oder Sprachen.
Am Beispiel der bildlichen Oberflächenanalyse soll das Verfahren
von Fig. 1 verdeutlicht werden. Die Problemstellung sei, ein
optimales Verfahren zu entwickeln, das drei mögliche
Oberflächenklassen auf Metallteilen unterscheidet:
- - intakte Oberfläche;
- - Kratzer auf der Oberfläche
- - Verfärbung (z. B. Rost) der Oberfläche.
Dazu wird zuerst eine bewertete Stichprobe erstellt, die die
folgende Anzahl von Beispielbildern (z. B. mit Farb- oder
Grauwertauflösung von 8 Bit und 64*64 Pixel) als Anzahl von
Oberflächen von Werkstücken enthält:
Die Test-Stichprobe hält deutlich mehr Metallteile, als die
Lern-Stichprobe, auch sind sie unterschiedlich.
Für die Optimierung der Konfiguration mit der Steuerung 50
gelten in diesem Fall folgende Voraussetzungen:
- - Eine Vorverarbeitung 60, 61 wird nicht verwendet, insofern muß diese auch nicht optimiert werden
- - Für die Merkmalsextraktion stehen folgende Verfahren zur Verfügung (nur ein problemspezifisches Beispiel aus der Texturanalyse)
- - Haralick-Parameter
- - Galloway-Parameter
- - Laws-Matrizen
- - Verfahren nach Unser
- - Waveletanalyse
- - Verfahren nach Chen
- - Fourieranalyse
Die Haralick-Parameter sind selbst wieder ca. 10 einzelne
Paramter (ein "Block"). Es wird jedoch in diesem Beispiel davon
abgesehen, die Parameter einzeln auszuwählen oder nicht
auszuwählen; stattdessen wird der Gesamtsatz der Haralick-
Parameter entweder gewählt oder nicht gewählt.
Für die Klassifikation 20 stehen folgende Verfahren zur
Verfügung:
- - Nächster Nachbar Klassifikator
- - Backpropagation-Netz
- - Synergetischer Klassifikator MELT
Als Bewertungsfunktion "Eignung" wird die Erkennungsleistung E
in Prozent bei Verwenden der Test-Stichprobe gewählt. Die
Optimierung 50 erfolgt mit Hilfe eines genetischen Algorithmus,
welcher mit Hilfe der Bewertungsfunktion aus Merkmals-
Extraktionsverfahren 10, 11 und Klassifikator 20 jeweils ein
Verfahren auswählt.
Dieses Ausführungsbeispiel stellt nur ein Beispiel dar;
genausogut können beim obigen Beispiel statt der Auswahl ganzer
Merkmalssätze wie Haralick, Unser o. ä. Gruppen oder einzelne von
Einzelmerkmalen aus diesen Sätzen ausgewählt werden. Zusätzlich
zu den aufgezählten Texturmerkmalen können auch beliebige
Bildverarbeitungs-Standardfunktionen (Faltungen,
Histogrammoperationen u. ä.) hinzugenommen werden, die mittels
genetischer Programmierung in zufälliger Reihenfolge miteinander
verkettet werden.
Alle eingangs verwendeten Verfahren sind nicht parameterbehaftet
gewählt worden. Sowohl bei der Merkmals-Extraktion 10, 11 als
auch bei den Klassifikatoren 20 können jedoch auch über die
Stichprobe hinausgehende variable Eingangsparameter (z. B.
Rückweisungsschwellen für einzelne Klassen bei den
Klassifikatoren oder Grauwertauflösung bei Texturoperatoren)
sinnvoll sein, die ebenfalls gleichzeitig Bestandteil der
Optimierung 50 sein können.
Die Bewertungsfunktion "Eignung" läßt sich ausweiten von einer
rein auf das Erkennungsergebnis E bezogenen Funktion auf weitere
für die Einsetzbarkeit relevante Faktoren wie z. B.
- - Ausführungszeit für Bewertung der Stichprobe;
- - Speicherplatzbedarf;
- - Parallelisierbarkeit;
- - Zahl oder Art (Herkunft) der verwendenden Merkmale.
Die automatische Optimierung läßt sich auch auf die
Datenaufnahme, insbesondere die Auswahl des Sensors oder der
Sensorart ausweiten.
An einem weiteren Beispiel kann die Optimierung von Merkmalen
selbst verdeutlicht werden. Wieder wird auf dem oben erwähnten
Datensatz aus der Oberflächenanalyse gearbeitet, um die drei
Oberflächenklassen auseinanderzuhalten, und es werden dieselben
Stichproben verwendet. Gegenstand der Optimierung ist jetzt aber
im Gegensatz zu oben nicht die Auswahl der Merkmale, sondern es
sind die Berechnungsoperatoren für die Merkmale selbst. Ziel
dabei ist es, nicht nur aus einer Liste (oder: Block) von
vorgegebenen Merkmalen (wie Haralick, usw.) auswählen zu können,
sondern vielmehr selbst neue und bessere Merkmale zu schaffen,
gesteuert von der Eignung des konfigurierten Systems.
Eine derartige Optimierung eines Merkmals wird so durchgeführt:
- - Ein Merkmal besteht aus einer Verkettung von Berechnungsoperatoren.
- - Die Auswahl und die Verknüpfungsart dieser Operatoren ist für jedes Merkmal spezifisch.
- - Durch Modifikation von Auswahl und Verknüpfungsart der Berechnungsoperatoren mit hierfür geeigneten Optimierungsverfahren (wie z. B. Genetische Programmierung) kann das Merkmals selbst solange verändert werden, bis sich die Eigung in Gestalt der Erkennungsleistung des Gesamtsystems (gemessen auf der Test-Stichprobe) erhöht.
Vorgeschlagen wird ein Verfahren zur automatischen Optimierung
von Mustererkennungssystemen, insbesondere industriellen
Prüfsystemen durch Bewertung der Leistungsfähigkeit einer
Konfiguration (Art der Vorverarbeitung 60, Merkmalsauswahl 10,
Klassifikator 20) anhand von Stichproben und hierdurch
Modifikation der Konfiguration des Mustererkennungssystems in
Richtung auf geeignetere Konfigurationen mit Hilfe von
Optimierungsstrategien 50, wie linearer oder nichtlinearer
Optimierung, genetischen Algorithmen oder genetischer
Programmierung.
Derartige Verfahren eignen sich insbesondere für
Objekterkennung, Oberflächenanalyse, Analyse komplexer realer
Szenen, Personenidentifikation.
Claims (14)
1. Verfahren zum automatischen Optimieren von Objekt-
Erkennungssystemen, beinhaltend
- a) Einstellen einer ersten Konfiguration des Erkennungssystems (60, 61, 10, 20, 30);
- b) Bewerten (50) der Leistungsfähigkeit oder Eignung der eingestellten Konfiguration für ein Erkennungsproblem, anhand des Erkennungsergebnisses (E) zu mindestens einer Test-Stichprobe, die aus mehreren unterschiedlichen Erkennungsobjekten (1a, 1b, 1c...) besteht;
- c) Ändern der eingestellten Konfiguration des Erkennungssystems gemäß einem vorgegebenen linearen oder nichtlinearen Optimierungsverfahren.
2. Verfahren nach Anspruch 1, bei dem
- a) auf den Verfahrensschritt (c) der Verfahrensschritt (b) erneut folgt, um iterativ eine optimierte Eignung bei maximaler Leistungsfähigkeit des Erkennungssystems zu erhalten; und/oder
- b) der Verfahrensschritt (b) auch eine Lernphase beinhaltet, in welcher mittels einer Lern-Stichprobe von mehreren unterschiedlichen Erkennungsobjekten (1a', 1b', 1c') der Klassifikator (20) eingestellt wird (12, 30,13), um anhand der konfigurierten Merkmalen sicher klassifizieren zu können.
3. Verfahren nach einem der erwähnten Ansprüche, bei dem das
Objekt-Erkennungssystem Oberflächen erfaßt und jede erfaßte
Oberfläche einer von mehreren Oberflächengruppen
(E1, E2, E3, ...) zuweist.
4. Verfahren nach einem der erwähnten Ansprüche, bei dem das
Erkennungsobjekt ein im wesentliches ebenes Muster trägt,
insbesondere ein Werkstück (1a, 1b, 1c) mit zu erkennender und
zu klassifizierender Oberfläche (A, B, C) ist.
5. Verfahren nach einem der erwähnten Ansprüche, bei dem das
Ändern der eingestellten Konfiguration des Erkennungssystems
mit dem Optimierungsverfahren Random-Search, mit genetischen
Algorithmen oder mit genetischer Programmierung arbeitet.
6. Verfahren nach einem der erwähnten Ansprüche, bei dem die
Änderung der Konfiguration in einem vorbetrieblichen
Verfahren erfolgt, insbesondere aber während des
betrieblichen Ablaufes in vorgegebenen Intervallen
wiederholbar ist.
7. Verfahren nach einem der erwähnten Ansprüche, bei dem die
Änderung der Konfiguration eine oder mehrere der folgenden
Änderungen umfaßt:
- a) Änderung der Art der Vorverarbeitung (61);
- b) Änderung der Auswahl der zur Klassifikation führenden Merkmale (10), die aufgrund einer Messung (60a) und einer Vorverarbeitung (60, 61) ermittelt werden (10);
- c) Modifizieren eines oder mehrerer Merkmale durch Verändern der Zusammenstellung ihrer Berechnungsoperatoren;
- d) Änderung der Datenaufnahme für die Vorverarbeitung (60), insbesondere Änderung des Sensors (60a) zur Speisung der Datenaufnahme (60);
- e) Änderung der Klassifikation (20), die aus den zur Klassifikation herangezogenen (11) Merkmalen gespeist wird.
8. Verfahren nach einem der erwähnten Ansprüche, bei dem die
Erkennungsobjekte (1a, 1b, 1c) der Test-Stichprobe andere
sind, als die Erkennungsobjekte einer Lernphase des
Klassifikators (20) des Erkennungssystems.
9. Verfahren nach einem der erwähnten Ansprüche, bei dem jede
Stichprobe (Test-Stichprobe, Lern-Stichprobe) aus mehreren
Erkennungsobjekten (1a, 1b, 1c) aus mehreren Klassen besteht.
10. Verfahren nach einem der erwähnten Ansprüche, bei dem die
Ersteinstellung einer Ausgangs-Konfiguration des
Erkennungssystems eine solche Konfiguration ist, die bei
einem Erkennungssystem für ein ähnliches Erkennungsproblem
schon bekannt war, um die (iterative) Optimierungszeit gemäß
Anspruch 2 zu verkürzen.
11. Verfahren nach Anspruch 7, Alternative (c) oder (b), bei dem
die zur Erkennung im Klassifikator (20) verwendeten Merkmale
aus unterschiedlichen Texturanalyse-Merkmalsblöcken oder
-Listen zusammengesetzt werden (Haralick, Galloway, Laws).
12. Verfahren nach einem der erwähnten Ansprüche, bei dem keine
parameterbehafteten Verfahren verwendet werden, insbesondere
nicht bei der Merkmals-Extraktion (10, 11), bei der
Klassifikation (20), bei der linearen oder nichtlinearen
Optimierung (50).
13. Verfahren nach einem der erwähnten Ansprüche, wobei in der
Merkmalsbildung (10) oder bei der Klassifikation (20)
Rückweisungsschwellen für einzelne Klassen vorgesehen sind.
14. Verfahren nach einem der erwähnten Ansprüche, bei dem die
Änderung der eingestellten Konfiguration auch aufgrund eines
oder mehrerer der folgenden Kriterien erfolgt:
- 1. Ausführungszeit zur Bewertung und Klassifikation der Stichprobe;
- 2. Speicherplatzbedarf zur automatischen Objekt- Klassifikation;
- 3. Parallelisierbarkeit bei der Objekterkennung;
- 4. Anzahl oder Art (Herkunft) der verwendeten Merkmale.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19612465A DE19612465C2 (de) | 1996-03-28 | 1996-03-28 | Automatisches Optimieren von Objekt-Erkennungssystemen |
DE19713382A DE19713382B4 (de) | 1996-03-28 | 1997-04-01 | Automatische Konfiguration von Prüf- und Diagnosesystemen |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19612465A DE19612465C2 (de) | 1996-03-28 | 1996-03-28 | Automatisches Optimieren von Objekt-Erkennungssystemen |
DE19713382A DE19713382B4 (de) | 1996-03-28 | 1997-04-01 | Automatische Konfiguration von Prüf- und Diagnosesystemen |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19612465A1 DE19612465A1 (de) | 1997-10-02 |
DE19612465C2 true DE19612465C2 (de) | 1998-12-24 |
Family
ID=26024252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19612465A Expired - Lifetime DE19612465C2 (de) | 1996-03-28 | 1996-03-28 | Automatisches Optimieren von Objekt-Erkennungssystemen |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19612465C2 (de) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19713382B4 (de) * | 1996-03-28 | 2005-12-08 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Automatische Konfiguration von Prüf- und Diagnosesystemen |
DE19834718C2 (de) * | 1998-07-31 | 2003-06-12 | Fraunhofer Ges Forschung | Digitale Bildverarbeitung für ein Qualitätskontrollsystem |
US6934405B1 (en) | 1999-05-12 | 2005-08-23 | Siemens Aktiengesellschaft | Address reading method |
DE10124340A1 (de) | 2001-05-18 | 2002-12-05 | Fraunhofer Ges Forschung | Verfahren zur Analyse einer biologischen Probe |
DE10254905B4 (de) * | 2002-11-25 | 2007-12-13 | Siemens Ag | Verfahren zur Bewertung der Stabilität von Bildverarbeitunsvorgängen und Verwendung des Verfahrens |
DE10345948B4 (de) | 2003-10-02 | 2018-08-23 | Robert Bosch Gmbh | Verfahren zur Bewertung und zeitlichen Stabilisierung von Klassifizierungsergebnissen |
DE102010013943B4 (de) * | 2010-04-06 | 2018-02-22 | Audi Ag | Verfahren und Vorrichtung für eine Funktionsprüfung einer Objekt-Erkennungseinrichtung eines Kraftwagens |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4436408C1 (de) * | 1994-10-12 | 1995-12-07 | Daimler Benz Ag | Mustererkennungsverfahren |
DE19538004A1 (de) * | 1995-03-31 | 1996-10-02 | Fraunhofer Ges Forschung | Verfahren zur Grobklassifizierung von Objekten |
-
1996
- 1996-03-28 DE DE19612465A patent/DE19612465C2/de not_active Expired - Lifetime
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4436408C1 (de) * | 1994-10-12 | 1995-12-07 | Daimler Benz Ag | Mustererkennungsverfahren |
DE19538004A1 (de) * | 1995-03-31 | 1996-10-02 | Fraunhofer Ges Forschung | Verfahren zur Grobklassifizierung von Objekten |
Non-Patent Citations (1)
Title |
---|
STEINBUCH: "Taschenbuch der Nachrichtenverar- beitung" Springer-Verlag 1967, S. 907 * |
Also Published As
Publication number | Publication date |
---|---|
DE19612465A1 (de) | 1997-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE68928895T2 (de) | Verfahren und Gerät für universelle adaptiv lernende Bildmessung und -erkennung | |
EP0523407B1 (de) | Verfahren zur Klassifikation von Signalen | |
DE102018220941A1 (de) | Auswertung von Messgrößen mit KI-Modulen unter Berücksichtigung von Messunsicherheiten | |
DE19612465C2 (de) | Automatisches Optimieren von Objekt-Erkennungssystemen | |
DE69821225T2 (de) | Verfahren zur kontrolle der oberfläche einer laufenden materialbahn mit vorklassifikation von ermittelten unregelmässigkeiten | |
WO2021063572A1 (de) | Vorrichtung und verfahren zum verarbeiten von daten eines neuronalen netzes | |
DE102020101911A1 (de) | Computerimplementiertes Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks, computerimplementiertes Verfahren zur visuellen Objekterkennung, Verfahren zum Steuern eines Kraftfahrzeugs, Computerprogramm sowie computerlesbares Speichermedium | |
EP3576013A1 (de) | Abschätzen eines verlaufs eines schienenpfads | |
DE19740024C1 (de) | Berührungsloses Prüfverfahren für Schweißpunkte | |
DE102017223264A1 (de) | Verfahren und Vorrichtung zum Ansteuern eines Aktors | |
DE19713382B4 (de) | Automatische Konfiguration von Prüf- und Diagnosesystemen | |
DE10234086A1 (de) | Verfahren zur Signalauswertung eines elektronischen Bildsensors bei der Mustererkennung von Bildinhalten eines Prüfkörpers | |
EP2808843B1 (de) | Verfahren zur Parametrierung eines Bildverarbeitungssystems für die Überwachung einer Werkzeugmaschine | |
EP3701428B1 (de) | Verfahren und vorrichtung zum verbessern der robustheit eines maschinellen lernsystems | |
EP0693200B1 (de) | Verfahren zur klassifizierung von objekten | |
DE102020203135A1 (de) | Verfahren zur Qualitätssicherung eines beispielbasierten Systems | |
DE102020208765A1 (de) | Bildklassifikator mit variablen rezeptiven Feldern in Faltungsschichten | |
DE102022204406B4 (de) | Verfahren zum Klassifizieren und/oder zur Regression von Eingangssignalen unter Zuhilfenahme einer Gram-Matrix-Variante | |
DE4495111C2 (de) | Verfahren zur Bestimmung einer Menge von charakteristischen Merkmalen im Rahmen einer Objekterkennung | |
EP0978343B1 (de) | Verfahren zur Qualitätsprüfung von Schweissstellen | |
EP3581935A1 (de) | System zur automatischen erkennung von laborarbeitsgegenständen sowie verfahren zum betrieb eines systems zur automatischen erkennung von laborarbeitsgegenständen | |
DE102018122092A1 (de) | Verfahren zum Bestimmen zumindest eines Positionsparameters eines Objekts in einer Umgebung eines Kraftfahrzeugs, Computerprogrammprodukt, Fahrerassistenzsystem und Kraftfahrzeug | |
DE102017219858A1 (de) | Verfahren zum Betreiben eines Magnetfeldsensors und zugehörige Magnetfeldsensoranordnung | |
DE102004050942B4 (de) | Bootstrap-Verfahren zum überwachten Einlernen eines Mustererkennungssystems | |
AT511399B1 (de) | Verfahren zur automatisierten klassifikation von einschlüssen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
ON | Later submitted papers | ||
OP8 | Request for examination as to paragraph 44 patent law | ||
AG | Has addition no. |
Ref country code: DE Ref document number: 19713382 Format of ref document f/p: P |
|
8181 | Inventor (new situation) |
Free format text: WAGNER, THOMAS, DR., 91054 ERLANGEN, DE BAUER, NORBERT, DR., 91058 ERLANGEN, DE PLANKENSTEINER, PETER, 91052 ERLANGEN, DE |
|
AG | Has addition no. |
Ref country code: DE Ref document number: 19713382 Format of ref document f/p: P |
|
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
R071 | Expiry of right |