Lehrveranstaltungshandbuch Industrielle Bildanalyse

---

Verantwortlich: Prof. Dr. Lothar Thieling

Lehrveranstaltung

Befriedigt Modul (MID)

• aktuelle
  • Ba ET2012 IBA
  • Ba MT2012 BV2
  • Ba TIN2012 IBA

Organisation

Version erstellt 2019-01-17 VID 1 gültig ab WS 2019/20 gültig bis

Bezeichnung Lang Industrielle Bildanalyse LVID F07_IBA LVPID (Prüfungsnummer)

Semesterplan (SWS) Vorlesung 2 Übung (ganzer Kurs) Übung (geteilter Kurs) Praktikum 2 Projekt Seminar Tutorium (freiwillig)

Präsenzzeiten Vorlesung 30 Übung (ganzer Kurs) Übung (geteilter Kurs) Praktikum 30 Projekt Seminar Tutorium (freiwillig)

max. Teilnehmerzahl Übung (ganzer Kurs) Übung (geteilter Kurs) 30 Praktikum 15 Projekt Seminar

Gesamtaufwand: 150

Unterrichtssprache

• Deutsch

Niveau

• Bachelor

Notwendige Voraussetzungen

• Grundlagen der Bildverarbeitung (Inhalt der Moduel IBV bzw. BV1)
• Grundlagen der Programmierung in Java oder C
• Grundlagen der Analysis und Linearen Algebra

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

Dozenten

• Prof. Dr. Thieling

Wissenschaftliche Mitarbeiter

• M.Sc. Hanna Sidnenka

Zeugnistext

Industrielle Bildanalyse

Kompetenznachweis

Form
sMP	Regelfall (bei großer Prüfungszahl: sK)

Aufwand [h]
sMP	10

Intervall: 3/Jahr

---

Lehrveranstaltungselemente

Vorlesung / Übung

Lernziele

Lerninhalte (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

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

Begleitmaterial

• elektronische Vortragsfolien zur Vorlesung
• elektronische Übungsaufgabensammlung
• elektronische Software-Entwicklungsumgebung zum Compilieren, Linken, Debuggen (Visual-Studio)
• elektronisches Entwicklungsumgebung für die Bildverarbeitung und Bildanalyse (IBV-Studio)
• elektronisches Entwicklungsumgebung zur Erstellung und zum Training neuronaler Netze (JavaNNS)
• elektronische Sammlung von Beispiel-Programmen und Beispielanwendungen
• elektronische Tutorials zum begleitenden Selbststudium
  • Handhabung der Entwicklungsumgebung Software-Entwicklungsumgebung
  • Handhabung der Entwicklungsumgebung für die Bildverarbeitung und Bildanalyse
  • Handhabung der Entwicklungsumgebung für Neuronale Netze

Besondere Voraussetzungen

• keine

Besondere Literatur

• keine

Besonderer Kompetenznachweis

• keiner

Praktikum

Lernziele

Fertigkeiten

• siehe Fertigkeiten, die unter "Vorlesung/Übung->Lernziele->Fertigkeiten" aufgeführt sind
• zielgerichtetes Handhaben der Software-Entwicklungsumgebung
• zielgerichtetes Handhaben der Entwicklungsumgebung für die Bildverarbeitung und Bildanalyse
• zielgerichtetes Handhaben der Entwicklungsumgebung zur Erstellung und zum Training neuronaler Netze

Handlungskompetenz demonstrieren

• 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.

Begleitmaterial

• elektronische Aufgabenstellung (Problembeschreibung)
• elektronische Software-Entwicklungsumgebung zum Compilieren, Linken, Debuggen (Visual-Studio)
• elektronisches Entwicklungsumgebung für die Bildverarbeitung und Bildanalyse (IBV-Studio)
• elektronische Sammlung von Beispiel-Programmen und Beispielanwendungen
• elektronisches Entwicklungsumgebung zur Erstellung und zum Training neuronaler Netze (JavaNNS)
• elektronische Tutorials für Selbststudium
  • Handhabung der Entwicklungsumgebung Software-Entwicklungsumgebung
  • Handhabung der Entwicklungsumgebung für die Bildverarbeitung und Bildanalyse
  • Handhabung der Entwicklungsumgebung für Neuronale Netze

Besondere Voraussetzungen

• keine

Besondere Literatur

• keine

Besonderer Kompetenznachweis

• keiner