Kissing, O: Beitrag zur Gestaltung einer lernfähigen Klassif

Die industrielle Bildverarbeitung ist eine leistungsstarke Technologie zur Qualitätskontrolle und Produktionsüberwachung. Für häufig auftretende Prüfaufgaben sind heutzutage einfach strukturierte Systeme erhältlich, mit denen ohne tiefergehendes Fachwissen Standardaufgaben gelöst werden können. Bei komplexen Aufgabenstellungen, wie sie im Bereich der Oberflächeninspektion auftreten, muss das Bildverarbeitungssystem in der Regel speziell für den Anwendungsfall entwickelt und parametriert werden. Die Flexibilität solcher Systeme ist daher stark eingeschränkt. Zudem setzt die Einstellung und Anpassung eines solchen Systems ein umfassendes Expertenwissen voraus.Zur Erhöhung der Flexibilität und Verringerung des Aufwands bei der Installation solcher Bildverarbeitungssysteme besteht seit einiger Zeit der Wunsch, solche Systeme mit Fähigkeiten auszustatten, dass sie selbstständig Anpassungen an vorgegebene Aufgabenstellungen sowie bei Veränderungen während der Prüfung vornehmen können. Dabei stellt der Verarbeitungsschritt der Klassifikation innerhalb der Bildanalyse eine Schlüsselfunktion dar. Die Entwicklung von einer Prüfaufgabe angepassten Klassifikationsalgorithmen ist bislang durch eine probierende Vorgehensweise (trial and error) gekennzeichnet. Es gibt wenig systematische Untersuchungen hierzu. Mit dieser Arbeit wird versucht, einen Beitrag zum Schließen der bestehenden Lücke zu leisten. Die hier behandelte Thematik ist in das Fachgebiet des maschinellen Lernens, einem Teilgebiet des Forschungsbereichs Künstlichliche Intelligenz, einzuordnen. Durch die systematische Gestaltung einer lernfähigen Klassifikation soll die Adaptionsfähigkeit eines Bildverarbeitungssystems verbessert werden.Es sind heute verschiedene Verfahren des maschinellen Lernens bekannt, die jedoch für den Einsatz in einem industriellen Bildverarbeitungssystem