Entwicklung eines Deep Learning-basierten Ansatzes zur automatisierten Auswertung von Hochgeschwindigkeitsvideos bei Impactversuchen

Kurzfassung

Die stetigen Fortschritte in der Bildverarbeitung und Kameratechnik führen zu immer mehr verfügbaren visuellen Daten und Auswertungsmöglichkeiten dieser Daten. Insbesondere durch das autonome Fahren wird die Forschung im Bereich der visuellen Bildauswertung mithilfe von Künstlicher Intelligenz (KI) vorangetrieben. Basierend auf den state-of-the-art Methoden zur Objekterkennung und Objektverfolgung wird in dieser Arbeit ein Ansatz entwickelt um die existierenden Hochgeschwindigkeitsaufnahmen automatisiert auswerten zu können. Für die Objekterkennung wird das überwachte Lernen mit einem vortrainierten Deep Learning (DL)-Modell angewendet. Zur Erstellung eines Datensatzes werden die Bilderfolgen aus mehreren Hochgeschwindigkeitsvideos verwendet. Die Grundwahrheiten werden in allen Bildern des Datensatzes in Form von rechteckigen Boxen annotiert. Es wird eine Optimierung der Hyperparameter des Modells durchgeführt. Dazu wird die bayesianische Optimierung als Methode genutzt. Die optimierten Hyperparameter werden für das Training des DL-Modells genutzt. Zur objektiven Bewertung der Leistung des optimierten Modells werden etablierte Evaluierungsmetriken für DL-Algorithmen genutzt. Mithilfe der Metriken wird neben der Leistung auch die Generalisierungsfähigkeit des optimierten Modells analysiert. Hierzu werden die Verlustfunktionen des Modells auf den Trainings- und Validierungsdaten verglichen. Der Leistungsunterschied des optimierten Modells zwischen den Trainingsund den Testdaten wird untersucht, um die Generalisierung des Modells final zu bewerten. Die Objektverfolgung wird mit der Tracking-by-Detection (TBD)-Methode realisiert. Das entwickelte Objekterkennungsmodell wird zusammen mit einem Tracking-Algorithmus angewendet, um die definierten Objekte in den Bilderfolgen zu erkennen und zu verfolgen. Es wird eine Auswertungsmethode entwickelt, um die Flugbahn des beschleunigten Objekts zu visualisieren und dessen Geschwindigkeitsverlauf zu dokumentieren. Die weiterführende Entwicklung eines Modells mit einem größeren und vielfältigeren Datensatz könnte die Objektverfolgung weniger fehleranfällig machen und die Auswertung der vorhandenen Daten verbessern.