Automatisierte Qualitätssicherung von Getreide mit überwachten Lernverfahren in der Bildverarbeitung
Produktform: Buch / Einband - flex.(Paperback)
Weizen ist als elementares Grundnahrungsmittel weltweit eine der bedeutendsten
Getreidesorten und somit spielt dessen Qualitätssicherung eine wichtige Rolle für die Lebensmittelsicherheit
in der Nahrungsmittelproduktion. Die schädlichen Effekte einiger giftiger
Besatzfraktionen, wie z. B. pilzgeschädigten Getreides, Mutterkorn usw., auf die Gesundheit
sind hinreichend bekannt. Die manuelle Analyse der Bestandteile einer Getreideprobe wird
mit dem Begriff Besatzanalyse bezeichnet. Stand der Technik in der Besatzanalyse von
Getreide ist die manuell-visuelle Inspektion einer Getreideprobe durch den erfahrenen Laborassistenten
oder Müllermeister, welche teuer (arbeitsintensiv), zeitintensiv und fehleranfällig
ist. Ziel ist die Automatisierung des Verfahrens durch intelligente Machine-Learning-
Routinen.
Bei der Umsetzung des automatisierten Erkennungsverfahrens sind die verschiedenen
Einflussfaktoren und deren Querabhängigkeiten zu analysieren und optimale Konfigurationen
zu finden. Wesentliche interagierende Faktoren sind die Datensatzcharakteristik, die Komponenten
der Hardware und Softwarealgorithmik (Bsp.: Merkmalsextraktion und -selektion)
sowie die Parametereinstellung des eigentlichen Klassifikationsalgorithmus. Diese Stellräder
im Optimierungsprozess des Erkennungssystems unterliegen einer hohen Komplexität und
sind dem entsprechend mit einem hohen Aufwand an Untersuchungen verbunden. Die Lösung
eines jeden Erkennungsproblems bedarf einer charakteristischen Datensatzbasis. Insbesondere
der Charakter des gegebenen Datensatzes hat einen starken Einfluss auf die erreichbare
Klassifikationsperformance. Dies verdeutlicht die Relevanz der Anforderungsspezifikation an
einen geeigneten Datensatz. Einflussfaktoren der Datensatzcharakteristik sind die Datensatzstrukturierung
(Klassenaufteilung), die Anzahl an verfügbaren Trainingsinstanzen sowie die
Anzahl an vom Experten fehlsortierten Objekten im Trainingsdatensatz (falsches Apriori-
Wissen). Es ist sehr schwierig, in der Literatur quantitative Aussagen zu diesen Einflussfaktoren
und zu optimalen Konfigurationen zu finden. Somit stellt das Design eines
automatisierten Erkennungssystems eine individuelle und nichttriviale Aufgabe dar. Die
Arbeit verfolgt zwei Ziele, die Automatisierung der Besatzanalyse von Getreide mit einer
bestmöglichen Erkennungsperformance sowie die Beleuchtung der Einflussfaktoren der
komplexen Erkennungsaufgabe und deren Optimierungsmöglichkeiten. Insbesondere unter
Beachtung der hohen Komplexität und Nichtlinearität dieser Multiklassen-Erkennungsaufgabe,
resultierend auf der Naturprodukt bedingten hohen Intraklassenvariabilität bei
gleichzeitig zum Teil gering ausgeprägter Interklassenvariabilität, ist die Lösung im hohen
Maße als anspruchsvoll zu betrachten.
Die Objekte werden zunächst mit einer angepassten Bildaufnahmehardware (3-CCDFarbzeilenkamera,
Kombination aus angepassten Auf- und Durchlicht) aufgenommen. So
entstand ein umfangreicher Datensatz aus 23 Subklassen (einwandfreier Weizen; diverse
Kornbesatzklassen und Schwarzbesatzklassen) und insgesamt ca. 95.000 Instanzen.
In dieser Arbeit wurden zahlreiche Algorithmen bestehender Bildverarbeitungstoolboxen
(Machine-Learning-Toolbox Weka 3.5 /Hall, et al. 2009/, Bildverarbeitungsbibliothek
Halcon 8.0®) auf das gegebene Problem angewendet. So wurden diverse Klassifikatoren
(Support-Vektor-Maschinen, Entscheidungsbäume, Naive-Bayes-Klassifikatoren, uvm.) auf
ihre spezifische Eignung hin untersucht. Nach der Optimierung der wesentlichen Einflussfaktoren
(optimale Datensatzstrukturierung und Merkmalsselektion) erreicht die ν-SVM mit
rbf-Kern dabei als bester Klassifikator (mit deutlichem Abstand zu anderen Klassifikatoren)
sehr gute Einzelerkennungsraten von 89,4% bis zu 99,3% bei einer Gesamterkennungsrate
von 96,5%. Gleichzeitig konnten Aussagen zur Übertragbarkeit auf andere ähnlich komplexe
Erkennungsprobleme gegeben werden.weiterlesen
63,00 € inkl. MwSt.
kostenloser Versand
lieferbar - Lieferzeit 10-15 Werktage
zurück