Experimentelle Umsetzung eines mit Deep Learning unterstütztem Depth-from-Focus-Mikroskops

Abstract

Im Rahmen dieser Arbeit wurde ein experimentelles 3D-Mikroskop um ein Deep-Learning-gestütztes Depth-from-Focus (DDFF)-Verfahren erweitert, um die Tiefenmessung geologischer Proben ohne zusätzliche optische Komponenten zu ermöglichen. Bei der Depth-from-Focus (DFF)-Methode wird die Schärfe mehrerer Aufnahmen mit variierendem Fokusabstand analysiert, um daraus Rückschlüsse auf die Objektentfernung zu ziehen. Zwei Convolutional Neural Networks wurden basierend auf einer systematischen Literaturrecherche ausgewählt, implementiert und mit synthetisch generierten unscharfen Bildern aus einem großen RGB-D-Datensatz neu trainiert. Die realitätsnahe Simulation der Unschärfe erfolgte unter Berücksichtigung der Kameraparameter des Mikroskops. Zur Validierung wurde der eigens erhobene GeoFocus3D-Datensatz herangezogen, bestehend aus realen Mikroskopaufnahmen und Ground-Truth-Tiefenkarten eines Streifenprojektionssystems. Die neu trainierten Modelle zeigten eine höhere Genauigkeit als die vortrainierten Varianten, konnten jedoch eine klassische DFF-Methode nicht übertreffen, die bei ausreichender Anzahl unscharfer Aufnahmen die präzisesten Ergebnisse erzielte. Die Analyse offenbarte zudem Grenzen neuronaler Verfahren hinsichtlich Generalisierbarkeit, Texturabhängigkeit und Störanfälligkeit gegenüber Rauschen. Ergänzend wurde ein multispektrales Beleuchtungssystem entwickelt und in den Aufbau integriert. Die Ergebnisse belegen, dass DDFF-Methoden - insbesondere in ressourcenbeschränkten Szenarien - eine effiziente Alternative darstellen, deren Genauigkeit jedoch maßgeblich von der Qualität der Trainingsdaten und der Modellierung der Bildschärfe abhängt.