Seitenpfad:

Bildklassifikation mit neuronalen Netzen für die Lebensmittelproduktion

Lukas Degle, Bachelorarbeit, abgeschlossen

 
Elektrotechnik Informatik Innovative Hochschule Mechatronik
Keks
Kekse, wetotla, https://www.flickr.com/photos/totcupcakes/5205816979 mit Lizenz CC-BY-NC-ND 2.0
30.10.2018

Studiengang

Elektrotechnik (B.Eng.)
Technische Informatik (B.Eng.)
Mechatronik (B. Eng.)

Projektbeschreibung

Die Firma opdi-tex stellt Kamerasysteme zur Qualitätskontrolle im Lebensmittelbereich her. Unter anderem werden die Kamerasysteme bei der Herstellung von Backwaren wie beispielsweise Keksen (siehe Abb. 1) eingesetzt. Derzeit wird mit Techniken der industriellen Bildverarbeitung wie beispielsweise einer Kantenerkennung eine Klassifikation der Kekse in "gute" und "schlechte" Kekse durchgeführt.

In dieser Arbeit sollen die Unterschiede zwischen "guten" und "schlechten" Keksen nur anhand von Beispielbildern durch maschinelles Lernen erlernt werden (Supervised Learning). Die Beispielbilder werden aus einer aktuellen Produktion von der Firma opdi-tex zur Verfügung gestellt. Die Software pytorch zum Maschinenlernen läuft auf dem GPU Server "breakout" im Rechenzentrum der Hochschule.

Die Bildklassifikation anhand von Bildern aus bekannten Klassen ist ein Standardverfahren im Bereich des maschinellen Lernens. Für diese Algorithmen gibt es einige Wettbewerbe wie beispielsweise den Imagenetwettbewerb. Bei diesem Wettbewerb muss man ein Bild einer von 1000 Klassen zuordnen - beispielsweise "Gazelle". Dafür stehen 14 Millionen Bilder zum Training zur Verfügung (siehe: http://image-net.org/challenges/LSVRC/2017/browse-synsets). In der Arbeit hier muss man die Bilder in zwei Kategorien aufteilen - die guten und die schlechten Kekse. Das Verfahren zur Klassifikation ist aber identisch. In dieser Arbeit sollen deshalb die bekannten Verfahren zur Bildklassifikation auf dieses Problem angewandt werden.

Die Arbeit gliedert sich in etwa in folgende Arbeitspakete.

  • pytorch auf der Breakout installieren
  • Bilddaten von opdi-tex übernehmen und sichten
  • Bilddaten in Trainings- und Validierungsdaten aufteilen
  • geeignete neuronale Netze (beispielsweise Alexnet) auswählen (siehe: https://github.com/pytorch/examples/tree/master/imagenet)
  • Netz erweitern b.z.w. verändern um die Bilder in zwei Klassen zu klassifizieren
  • Training des Netzes durchführen und Ergebnisse analysieren

Für das maschinelle Lernen gibt es einige Frameworks wie Torch, Tensorflow und PyTorch. In dieser Arbeit soll Pytorch verwendet werden.

In Pytorch gibt es auch schon vortrainierte Netze, die beispielsweise mit den Bildern aus den Wettbewerben trainiert wurden. Eventuell bietet es sich an ein vortrainiertes Netz zu nehmen und dieses dann mit den neuen Bildern auf die zwei Keksklassen nachzutrainieren.

Download: Lukas Degle, Bildklassifikation mit neuronalen Netzen für die Lebensmittelproduktion. Hochschule Augsburg, 2019 

Kontakt: 

opdi-tex: Andreas Gareis, Tel: +498193937103, Email: [Bitte aktivieren Sie Javascript]

Hochschule Augsburg: Prof. Dr.-Ing. Friedrich Beckmann