Maschinelles Lernen zur Interpretation bildbasierter Prozessdaten im automatisierten Faserverbundleichtbau

Kurzfassung

Bei der Ablage von Faserverbundwerkstoffen entstehen Fehler, die klassifiziert werden müssen. Für diese Aufgabe sind neuronale Netze besonders geeignet. Für das Training von neuronalen Netzen, werden in der Regel große Datenmengen benötigt. Sind diese nicht vorhanden oder beschaffbar, kann die bestehende Datenbasis synthetisch erweitert werden. In dieser Arbeit wird untersucht, welche Methode zur synthetischen Bilddatenerweiterung im Bereich des automatisierten Faserverbundleichtbaus, sinnvoll genutzt werden kann. Es werden geometrische Transformationen und Helligkeitsanpassungen mit einem Generativ Adversarial Network verglichen. Ergebnis der Arbeit ist, dass mit beiden Methoden vergleichbare Ergebnisse erreicht werden. Mit den geometrischen Transformationen und der Helligkeitsanpassungen werden geringfügig höhere Klassifizierungsraten erreicht. Außerdem ist die Anwendung dieser Methode wesentlich einfacher, als die des Generativ Adversarial Network.