Lehrveranstaltung
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 |
| 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
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
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.Lernziele
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
Segmentierung
Histogrammbasierte Segmentierung
Histogrammanalyse
Shading und dessen Beseitung
flächenbasierte Segmentierung
Filling
Split and Merge
Region Growing
kantenbasierte Segmentierung
Konturverfolgung
Hough-Transformation
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
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
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
Segmentierung
Histogrammbasierte Segmentierung
Histogrammanalyse
Shading und dessen Beseitung
flächenbasierte Segmentierung
Filling
Split and Merge
Region Growing
kantenbasierte Segmentierung
Konturverfolgung
Hough-Transformation
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
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
die vorgestellten Merkmale und Verfahren zur Merkmalsextraktion
angeben
beschreiben
hinsichtlich der Einsatzfelder abgrenzen
hinsichtlich der Vor- und Nachteile bewerten
problemspezifisch parametrieren
die vorgestellten Verfahren zur Klassifikation
angeben
beschreiben
hinsichtlich der Einsatzfelder abgrenzen
hinsichtlich der Vor- und Nachteile bewerten
problemspezifisch parametrieren
angeben
beschreiben
hinsichtlich der Einsatzfelder abgrenzen
hinsichtlich der Vor- und Nachteile bewerten
problemspezifisch parametrieren
die vorgestellten Merkmale und Verfahren zur Merkmalsextraktion
angeben
beschreiben
hinsichtlich der Einsatzfelder abgrenzen
hinsichtlich der Vor- und Nachteile bewerten
problemspezifisch parametrieren
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 Literatur
keine/none
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
elektronisches Entwurfswerkzeug für die Entwicklung von Bildanalyseanwendungen
elektronische Tutorials für Selbststudium der Entwurfswerkzeuge
Separate Prüfung
keine
Lernziele
Fertigkeiten
siehe Fertigkeiten, die unter "Vorlesung/Übung->Lernziele->Fertigkeiten" aufgeführt sind
komplexere Aufgaben in einem Kleinteam bewältigen
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.
komplexere Aufgaben in einem Kleinteam bewältigen
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 Literatur
keine/none
Besondere Voraussetzungen
Grundlagen der industriellen Bildverarbeitung
Begleitmaterial
elektronische Aufgabenstellung (Problembeschreibung)
Entwicklungumgebuing für die industrielle Bildanalyse
elektronische Tutorials für Selbststudium
Handhabung der Entwicklungsumgebung
Entwicklungumgebuing für die industrielle Bildanalyse
elektronische Tutorials für Selbststudium
Handhabung der Entwicklungsumgebung
Separate Prüfung
keine
Bei Fehlern, bitte Mitteilung an die
Webredaktion der Fakultät IME
Webredaktion der Fakultät IME
© 2022 Technische Hochschule Köln