Lehrveranstaltungshandbuch IBA
Industrielle Bildanalyse
PDF Lehrveranstaltungsverzeichnis English Version: IBA
Version: 4 | Letzte Änderung: 23.09.2019 09:14 | Entwurf: 0 | Status: vom verantwortlichen Dozent freigegeben
| Langname | Industrielle Bildanalyse |
|---|---|
| Anerkennende LModule | IBA_BaET, BV2_BaMT, IBA_BaTIN |
| Verantwortlich |
Prof. Dr. Lothar Thieling
Professor Fakultät IME |
| Gültig ab | Sommersemester 2023 |
| Niveau | Bachelor |
| Semester im Jahr | Wintersemester |
| Dauer | Semester |
| Stunden im Selbststudium | 78 |
| ECTS | 5 |
| Dozenten |
Prof. Dr. Lothar Thieling
Professor Fakultät IME |
| Voraussetzungen | Grundlagen der Sinalverarbeitung Grundlagen der Programmierung in Java oder C Grundlagen der Analysis und Linearen Algebra |
| Unterrichtssprache | deutsch |
| separate Abschlussprüfung | Ja |
Literatur
| Rafael C. Gonzalez, Richard E. Woods, Digital Image Processing, Prentice Hall |
| Scott E Umbaugh, COMPUTER VISION and IMAGE PROCESSING: A Practical Approach Using CVIPtools, Prentice Hall |
| Wolfgang Abmayer, Einführung in die digitale Bildverarbeitung,Teubner |
Abschlussprüfung
| Details | Die Studierenden sollen in einer mündlichen Prüfung folgende Kompetenzen nachweisen: 1.) Sicherer Umgang mit grundlegenden Begrifflichkeiten, Mechanismes und Konzepten. 2.) Problemstellungen aus dem Bereich der Industriellen Bildanalyse analysieren und mit passenden Methoden lösen können. 3.) Vorliegende Problemlösungen analysieren und die dabei verwendeten algorithmischen und theoretischen Grundlagen erklären können. |
|---|---|
| Mindeststandard | Mindestens 50% der möglichen Gesamtpunktzahl. |
| Prüfungstyp | mündliche Prüfung, strukturierte Befragung |
Lernziele
| Zieltyp | Beschreibung |
|---|---|
| Kenntnisse | Bildaufbau und Zugriff auf Bilddaten Bildmatrix Grauwert- und Farbbilder Entwicklungsumgebung Software-Entwicklungsumgebung Compiler Linker Debugger Entwicklungsumgebung für die Bildverarbeitung und Bildanalyse programmtechnischer Zugriff auf Bilddaten und Parameter Überblick über die zur Verfügung stehenden BV-Module Erstellung eigener BV-Module Erstellung von "Algorithmenketten" auf Basis von BV-Modulen mittels grafischer Programmierung |
| Kenntnisse | Segmentierung Histogrammbasierte Segmentierung Histogrammanalyse Shading und dessen Beseitung flächenbasierte Segmentierung Filling Split and Merge Region Growing kantenbasierte Segmentierung Konturverfolgung Hough-Transformation |
| Kenntnisse | Merkmalsextraktion geometrische Merkmale grundlegende Merkmale (Fläche, Umfang, Formfaktor) Zentralmomente normierte Zentralmomente Polarabstand Krümmungverlauf DFT von Polarabstand und/oder Krümmungsverlauf Farbmerkmale (HSI) Texturmerkmale Co-occurrence Matrix Haralick Merkmale |
| Kenntnisse | Klassifikation von Merkmalen Begriffe und Grundlagen Merkmalsvektor, Merkmalsraum, Objektklassen ... überwachte/unüberwachte Klassifikation lernende/nicht lernende Klassifikation "klasische" Verfahren Quadermethode Minimum-Distance Nearest Neighbour Maximum-Likelihood neuronale Netze das künstliche Neuron als einfachster Klassifikator Arbeitsweise Aufgabe der Aktivierungsfunktion Aufgabe des Bias Training eines Neurons (Gradientenabstiegsverfahren) Multi-Layer-Perceptron Aufbau Aufgabe der Layer Backpropagation-Trainingsalgorithmus Entwicklungsumgebung zur Erstellung und zum Training Neuronaler Netze Erstellen und konfiguration neuronaler Netze Training neuronaler Netze Verifikation trainierter Netze Erzeugung von C-Funktionen aus trainierten Netzen |
| Fertigkeiten | die vorgestellten Verfahren zur Segmentierung angeben beschreiben hinsichtlich der Einsatzfelder abgrenzen hinsichtlich der Vor- und Nachteile bewerten problemspezifisch parametrieren |
| Fertigkeiten | die vorgestellten Merkmale und Verfahren zur Merkmalsextraktion angeben beschreiben hinsichtlich der Einsatzfelder abgrenzen hinsichtlich der Vor- und Nachteile bewerten problemspezifisch parametrieren |
| Fertigkeiten | die vorgestellten Verfahren zur Klassifikation angeben beschreiben hinsichtlich der Einsatzfelder abgrenzen hinsichtlich der Vor- und Nachteile bewerten problemspezifisch parametrieren |
Aufwand Präsenzlehre
| Typ | Präsenzzeit (h/Wo.) |
|---|---|
| Vorlesung | 2 |
| Übungen (ganzer Kurs) | 0 |
| Übungen (geteilter Kurs) | 0 |
| Tutorium (freiwillig) | 0 |
Besondere Voraussetzungen
| Grundlagen der industriellen Bildverarbeitung (Inhalte der Vorlesung IBV) |
| Begleitmaterial |
elektronische Vortragsfolien zur Vorlesung , elektronisches Entwurfswerkzeug für die Entwicklung von Bildanalyseanwendungen, elektronische Tutorials für Selbststudium der Entwurfswerkzeuge |
|---|---|
| Separate Prüfung | Nein |
Lernziele
| Zieltyp | Beschreibung |
|---|---|
| Fertigkeiten | siehe Fertigkeiten, die unter "Vorlesung/Übung->Lernziele->Fertigkeiten" aufgeführt sind |
| Fertigkeiten | komplexere Aufgaben in einem Kleinteam bewältigen |
| Fertigkeiten | Erarbeitung von komplexeren Problemlösungen die sich mittels Bildverarbeitung und Bildanalyse implementieren lassen komplexere Problemstellungen verstehen und analysieren Systemverhalten aus spezifizierenden Texten herleiten System strukturiert analysieren sinnvolle Teilsysteme erkennen Schnittstellen zwischen Teilsystemen erfassen Gesamtsystem auf Basis von Teilsystemes modellieren Auswahl geeigneter bekannter Verfahren Modifikation bekannter Verfahren Kombination geeigneter Vefahren Teilsysteme modellieren, implementieren, testen Teilsysteme soweit möglich auf zur Vefürgung stehende Komponenten (BV-Module) abbilden, d.h. Modulauswahl und Parametrierung. Nicht zur Verfügung stehende aber benötigte BV-Module mittels Software-Entwicklungsumgebung in C implementieren und testen Compilieren (Finden syntaktischer Fehler und deren Behebung) Debuggen (Finden semantischer Fehler und deren Behebung) Gesamtsystem (Problemlösung) implementieren testen und validieren Erstellung der Problemlösung als "Algorithmenkette" auf Basis von BV-Modulen mittels grafischer Programmierung Parametrierung der BV-Module Validierung der Problemlösung Auf Basis der Validierungsergebnisse in Iterationszyklen die Algorithmenkette und die Parametrierung der BV-Module anpassen. Bei Bedarf auch die BV-Module selbst modifizieren. |
Aufwand Präsenzlehre
| Typ | Präsenzzeit (h/Wo.) |
|---|---|
| Praktikum | 2 |
| Tutorium (freiwillig) | 0 |
Besondere Voraussetzungen
| Grundlagen der industriellen Bildverarbeitung |
| Begleitmaterial |
elektronische Aufgabenstellung (Problembeschreibung) , Entwicklungumgebuing für die industrielle Bildanalyse, elektronische Tutorials für Selbststudium Handhabung der Entwicklungsumgebung |
|---|---|
| Separate Prüfung | Nein |
Bei Fehlern, bitte Mitteilung an die
Webredaktion der Fakultät IME
Webredaktion der Fakultät IME
© 2022 Technische Hochschule Köln