Segmentierung von Partikelbildern mittels Machine-Learning-Algorithmen

Kurzfassung

Aus kurz hintereinander aufgenommenen Bildern werden über Kreuzkorrelation die Strömungsstrukturen bestimmt. Durch die intensive Bildbelichtung kommt es zu Überstrahlungen, Reflexionen und Abschattungen im Bild. Diese Bereiche stören die Strömungsanalyse und werden aktuell manuell maskiert. In Zukunft sollen diese Bereiche automatisiert maskiert werden. Im Rahmen dieser Arbeit werden Methoden des maschinellen Lernens untersucht, die eine Klassifizierung der Messbilder ermöglichen. Dafür werden pixelbasierte Supervised Learning Methoden angewendet, um die Bereiche Seeding, Reflexionen, lichtintensiver Hintergrund und Abschattungen voneinander separieren zu können. Dazu werden die Daten von realen Windkanalmessbildern vorverarbeitet und über Bild- und Bildserienmetriken erweitert. Zusätzlich wird die Informationsdichte durch Datenreduktionsmethoden wie der Principal Component Analysis und einer Korrelationsanalyse, erhöht. Die Klassifikatoren Logistische Regression, Support Vector Machines, Random Forest und Multilayer Perceptron werden verglichen und mit Hilfe der erzeugten Datenbasis bewertet. Dafür werden Bibliotheken für das Prototyping ausgewählt. Auf Basis der Algorithmenbewertung wird die Maskengenerierung erstellt. Die erstellten Masken werden morphologisch nachverarbeitet und danach analysiert. Ausgehend von der Analyse werden konzeptionelle Lösungsansätze entwickelt. Die Ergebnisse zeigen, dass die Performance und Genauigkeit ausreichen, um eine Echtzeitmaskierung während Messkampagnen durchzuführen. Für wissenschaftliche Auswertungen ist die Maskengenerierung nur auf Basis einer angelernten Messkampa- gne möglich. Verbleibende Probleme sind die Reflexion des Seeding auf spiegelnden Windkanalmodellen und komplexe Modellstrukturen.