Deep Learning für automatisierte Bildanalysen

Um Aufnahmen, die mit einem Mikroskop gemacht wurden, analysieren zu können, wird die sogenannte Bildsegmentierung eingesetzt. Unter der Segmentierung versteht man die Unterteilung der Bilder in bestimmte Bereiche, die für die nachfolgende Analyse und Klassifizierung wichtig sind. Ein solcher Bereich könnte beispielsweise ein Fehler oder eine Verunreinigung auf der Oberfläche eines Bauteils, sowie eine Erkennung unterschiedlicher Materialschichten sein. Bei der späteren Analyse der Bilder und Klassifizierung der erkannten Bereiche, werden die Bereiche an sich und die Grenze zwischen den verschiedenen Bereichen betrachtet. So können genaue Ergebnisse geliefert und Fehler erkannt werden.

Klassische Methoden zur Segmentierung, wie z. B. das Thresholding (Grauwertanalyse), stoßen allerdings schnell an ihre Grenzen.

Die Graustufen der Bereiche können schwer zu unterscheiden sein, wenn sie eine ähnliche Farbe und Helligkeit aufweisen. Zudem stellt sich für Anwender auch die Frage, welche Merkmale im Bild relevant sind, z. B. Farbe, Textur oder Kanten, um Objekte und Bereiche in einem Bild zu erkennen.

Zusätzlich ist wichtig zu wissen, wie die Merkmale zu kombinieren sind, um Objekte und Klassen zu entdecken. Je mehr Klassen bei der Verarbeitung eines Bildes hinzukommen, desto komplexer wird die Aufgabe. Auch die Suche nach Kratzern auf Displays für Elektrogeräte ist eine Herausforderung, die sich mit regelbasierten Analysen nur schwer lösen lässt – denn jeder Kratzer ist unterschiedlich groß, hat eine eigene Form und kann auf der gesamten Oberfläche auftreten. Bildverarbeitung mit Deep Learning (engl.: deep learning with image processing) ist hier die Lösung.