fbpx

Automatisierte Qualitätssicherung von Getreide mit überwachten Lernverfahren in der Bildverarbeitung

Automatisierte Qualitätssicherung von Getreide mit überwachten Lernverfahren in der Bildverarbeitung von Anding,  Katharina
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.
Aktualisiert: 2020-02-04
> findR *

Situationsverstehen für die Risikobeurteilung bei der Mensch-Roboter-Kooperation

Situationsverstehen für die Risikobeurteilung bei der Mensch-Roboter-Kooperation von Puls,  Stephan
In dem vorgestellten System wird die Umgebung eines Industrieroboters mittels Algorithmen des maschinellen Lernens erfasst und Objekte sowie menschliche Handlungen bestimmt. Anhand semantischer Analyse kann auf vorliegende Situationen geschlossen werden, wodurch sich dynamisch Risikobewertungen und Handlungsvorgaben für den Roboter ableiten lassen. Diese stellen die Grundlage für ein reaktives Roboterverhalten dar, das eine zielgerichtete und sichere Mensch-Roboter-Kooperation ermöglicht.
Aktualisiert: 2021-02-11
> findR *

Neugierige Strukturvorschläge im maschinellen Lernen

Neugierige Strukturvorschläge im maschinellen Lernen von Harrach,  Sebastian
Dieser Band beschäftigt sich mit dem maschinellen Lernen - der Autoadaption von algorithmischen Artefakten - als Thema interdisziplinärer Diskurse zu beispielsweise Selbstorganisation oder schwacher künstlicher Intelligenz. Anknüpfend an Heidegger, Goodman und Hubig ermöglicht die Studie einen systematischen interdisziplinären Zugang zu maschinellem Lernen, indem seine Charakteristika - etwa künstliche neuronale Netze oder evolutionäres Lernen - präzise, aber dennoch interdisziplinär verständlich beschrieben werden. Darauf aufbauend nimmt Sebastian Harrach eine technikphilosophische Verortung des maschinellen Lernens vor und geht exemplarisch den Denkrichtungen einer interdisziplinären Diskussion nach.
Aktualisiert: 2022-11-25
> findR *

Machine Learning – Medien, Infrastrukturen und Technologien der Künstlichen Intelligenz

Machine Learning – Medien, Infrastrukturen und Technologien der Künstlichen Intelligenz von Engemann,  Christoph, Sudmann,  Andreas
Nicht weniger als von einer Revolution ist gegenwärtig die Rede. Neuere Verfahren der Künstlichen Intelligenz greifen in sämtliche Bereiche des sozialen und kulturellen Lebens ein: Maschinen lernen Bilder und Sprache zu erkennen, beherrschen die autonome Steuerung von Fahrzeugen ebenso wie Finanzinvestments und medizinische Diagnostik. Im digitalen Wandel ist Lernen damit kein Privileg des Menschen mehr. Vielmehr verschieben sich mit maschinellen Lernverfahren die Relationen zwischen Erkenntnismöglichkeiten, technischen Umwelten und humanen Akteuren. Dieser Band vermittelt erstmals für den deutschsprachigen Raum einen Überblick über die medialen, infrastrukturellen und historischen Voraussetzungen des maschinellen Lernens.
Aktualisiert: 2022-11-25
> findR *

Neuronale Netze selbst programmieren

Neuronale Netze selbst programmieren von Langenau,  Frank, Rashid,  Tariq
Neuronale Netze sind Schlüsselelemente des Deep Learning und der Künstlichen Intelligenz, die heute zu Erstaunlichem in der Lage sind. Sie sind Grundlage vieler Anwendungen im Alltag wie beispielsweise Spracherkennung, Gesichtserkennung auf Fotos oder die Umwandlung von Sprache in Text. Dennoch verstehen nur wenige, wie neuronale Netze tatsächlich funktionieren. Dieses Buch nimmt Sie mit auf eine unterhaltsame Reise, die mit ganz einfachen Ideen beginnt und Ihnen Schritt für Schritt zeigt, wie neuronale Netze arbeiten: - Zunächst lernen Sie die mathematischen Konzepte kennen, die den neuronalen Netzen zugrunde liegen. Dafür brauchen Sie keine tieferen Mathematikkenntnisse, denn alle mathematischen Ideen werden behutsam und mit vielen Illustrationen und Beispielen erläutert. Eine Kurzeinführung in die Analysis unterstützt Sie dabei. - Dann geht es in die Praxis: Nach einer Einführung in die populäre und leicht zu lernende Programmiersprache Python bauen Sie allmählich Ihr eigenes neuronales Netz mit Python auf. Sie bringen ihm bei, handgeschriebene Zahlen zu erkennen, bis es eine Performance wie ein professionell entwickeltes Netz erreicht. - Im nächsten Schritt tunen Sie die Leistung Ihres neuronalen Netzes so weit, dass es eine Zahlenerkennung von 98 % erreicht – nur mit einfachen Ideen und simplem Code. Sie testen das Netz mit Ihrer eigenen Handschrift und werfen noch einen Blick in das mysteriöse Innere eines neuronalen Netzes. - Zum Schluss lassen Sie das neuronale Netz auf einem Raspberry Pi Zero laufen. Tariq Rashid erklärt diese schwierige Materie außergewöhnlich klar und verständlich, dadurch werden neuronale Netze für jeden Interessierten zugänglich und praktisch nachvollziehbar.
Aktualisiert: 2022-11-11
> findR *

Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern

Selbstlernende Algorithmen zur videobasierten Absichtserkennung von Fußgängern von Goldhammer,  Michael
Verkehrsunfälle stellen aktuell weltweit die acht-häufigste Todesursache dar, mit steigender Tendenz. Besonders gefährdet sind dabei Fußgänger: Sie sind im Verkehrsgeschehen weitgehend ungeschützt, werden schnell übersehen und sind zugleich sehr agil. Eine einzigartige Chance, diesem Trend entgegenzuwirken, bieten moderne Systeme zur Fahrerassistenz (ADAS). Die Herausforderung ist dabei die frühzeitige Erkennung kritischer Verkehrssituationen, um effektiv Gegenmaßnahmen, wie eine Fahrerwarnung oder einen autonomen Fahreingriff, einleiten zu können. Für die Situationsanalyse und die Planung einer adäquaten Reaktion essentiell ist das Wissen über die Bewegungsintention der Fußgänger. In dieser Arbeit werden dazu verschiedene Bewegungsmodelle, basierend auf selbstlernenden Verfahren, insbesondere künstlichen neuronalen Netzen, sowie auf physikalischen Grundlagen, entwickelt und verglichen. Die Hauptaugenmerke liegen dabei auf einer universellen Anwendbarkeit ohne Einschränkung auf bestimmte Szenarien, einer hohen Prädiktionsqualität und gutem Ansprechverhalten insbesondere bei schnellen Bewegungswechseln wie Loslaufen oder Abstoppen.
Aktualisiert: 2020-06-05
> findR *

Einführung in Machine Learning mit Python

Einführung in Machine Learning mit Python von Guido,  Sarah, Müller,  Andreas C., Rother,  Kristian
Machine Learning ist zu einem wichtigen Bestandteil vieler kommerzieller Anwendungen und Forschungsprojekte geworden, von der medizinischen Diagnostik bis hin zur Suche nach Freunden in sozialen Netzwerken. Um Machine- Learning-Anwendungen zu entwickeln, braucht es keine großen Expertenteams: Wenn Sie Python-Grundkenntnisse mitbringen, zeigt Ihnen dieses Praxisbuch, wie Sie Ihre eigenen Machine-Learning-Lösungen erstellen. Mit Python und der scikit-learn-Bibliothek erarbeiten Sie sich alle Schritte, die für eine erfolgreiche Machine-Learning- Anwendung notwendig sind. Die Autoren Andreas Müller und Sarah Guido konzentrieren sich bei der Verwendung von Machine-Learning-Algorithmen auf die praktischen Aspekte statt auf die Mathematik dahinter. Wenn Sie zusätzlich mit den Bibliotheken NumPy und matplotlib vertraut sind, hilft Ihnen dies, noch mehr aus diesem Tutorial herauszuholen. Das Buch zeigt Ihnen: - grundlegende Konzepte und Anwendungen von Machine Learning - Vor- und Nachteile weit verbreiteter maschineller Lernalgorithmen - wie sich die von Machine Learning verarbeiteten Daten repräsentieren lassen und auf welche Aspekte der Daten Sie sich konzentrieren sollten - fortgeschrittene Methoden zur Auswertung von Modellen und zum Optimieren von Parametern - das Konzept von Pipelines, mit denen Modelle verkettet und Arbeitsabläufe gekapselt werden - Arbeitsmethoden für Textdaten, insbesondere textspezifische Verarbeitungstechniken - Möglichkeiten zur Verbesserung Ihrer Fähigkeitenin den Bereichen Machine Learning und Data Science
Aktualisiert: 2022-11-11
> findR *

Ein Verfahren zur Prognose verkehrsabhängiger Schaltzeiten von Lichtsignalanlagen

Ein Verfahren zur Prognose verkehrsabhängiger Schaltzeiten von Lichtsignalanlagen von Weisheit,  Toni
An signalisierten Knotenpunkten besteht ein nicht unerhebliches Einsparpotenzial von Emissionen durch eine energieeffiziente und verbrauchsoptimierte Zufahrt auf die Haltlinie. Durch eine Vorausschau auf die bevorstehenden Schaltzeitpunkte könnten Fahrzeugführer ihre Fahrweise im Zulauf auf eine Lichtsignalanlage so anpassen, dass sie je nach Situation kraftstoffsparend auf Rot zufahren oder bei bevorstehender Freigabe sogar einen Halt vermeiden. Voraussetzung für diese sogenannte Ampelphasenassistenz ist die Prognose der Schaltzeitpunkte, die bei einer Festzeitsteuerung trivial ist. Bei verkehrsabhängigen Lichtsignalanlagen stellt diese Vorhersage jedoch eine große Herausforderung dar. Die vorliegende Arbeit greift diese Problematik auf und stellt ein allgemein anwendbares Verfahren vor, welches allein durch die Auswertung der Schaltzustände von Signalgruppen und durch die Analyse von Detektordaten eine Prognose der Schaltzeiten verkehrsabhängiger Lichtsignalanlagen unabhängig vom jeweiligen Steuerungsverfahren ermöglicht.
Aktualisiert: 2020-06-05
> findR *

Machine Learning – kurz & gut

Machine Learning – kurz & gut von Nguyen,  Chi Nhan, Zeigermann,  Oliver
Machine Learning erreicht heute beinahe alle Bereiche der Technik und der Gesellschaft. Dieses Buch bietet Interessierten, die einen technischen Hintergrund haben, die schnellstmögliche Einführung in das umfangreiche Themengebiet des maschinellen Lernens und der statistischen Datenanalyse. Dabei werden folgende Themen behandelt und mit praktischen Beispielen illustriert: - Datenimport und -vorbereitung - Supervised Learning - Feature-Auswahl - Modellvalidierung - Neuronale Netze und Deep Learning Anhand von konkreten Datensätzen lernen Sie einen typischen Workflow kennen: vom Datenimport über Datenbereinigung, Datenanalyse bis hin zur Datenvisualisierung. Die Codebeispiele basieren auf Python und den Bibliotheken Scikit-Learn, Pandas, NumPy, TensorFlow und Keras. Nach der Lektüre dieses Buchs haben Sie einen Überblick über das gesamte Thema und können Ansätze einordnen und bewerten. Das Buch vermittelt Ihnen eine solide Grundlage, um Ihre ersten eigenen Machine-Learning-Modelle zu trainieren und vertiefende Literatur zu verstehen.
Aktualisiert: 2021-04-19
> findR *
MEHR ANZEIGEN

Bücher zum Thema Machine learning

Sie suchen ein Buch über Machine learning? Bei Buch findr finden Sie eine große Auswahl Bücher zum Thema Machine learning. Entdecken Sie neue Bücher oder Klassiker für Sie selbst oder zum Verschenken. Buch findr hat zahlreiche Bücher zum Thema Machine learning im Sortiment. Nehmen Sie sich Zeit zum Stöbern und finden Sie das passende Buch für Ihr Lesevergnügen. Stöbern Sie durch unser Angebot und finden Sie aus unserer großen Auswahl das Buch, das Ihnen zusagt. Bei Buch findr finden Sie Romane, Ratgeber, wissenschaftliche und populärwissenschaftliche Bücher uvm. Bestellen Sie Ihr Buch zum Thema Machine learning einfach online und lassen Sie es sich bequem nach Hause schicken. Wir wünschen Ihnen schöne und entspannte Lesemomente mit Ihrem Buch.

Machine learning - Große Auswahl Bücher bei Buch findr

Bei uns finden Sie Bücher beliebter Autoren, Neuerscheinungen, Bestseller genauso wie alte Schätze. Bücher zum Thema Machine learning, die Ihre Fantasie anregen und Bücher, die Sie weiterbilden und Ihnen wissenschaftliche Fakten vermitteln. Ganz nach Ihrem Geschmack ist das passende Buch für Sie dabei. Finden Sie eine große Auswahl Bücher verschiedenster Genres, Verlage, Autoren bei Buchfindr:

Sie haben viele Möglichkeiten bei Buch findr die passenden Bücher für Ihr Lesevergnügen zu entdecken. Nutzen Sie unsere Suchfunktionen, um zu stöbern und für Sie interessante Bücher in den unterschiedlichen Genres und Kategorien zu finden. Unter Machine learning und weitere Themen und Kategorien finden Sie schnell und einfach eine Auflistung thematisch passender Bücher. Probieren Sie es aus, legen Sie jetzt los! Ihrem Lesevergnügen steht nichts im Wege. Nutzen Sie die Vorteile Ihre Bücher online zu kaufen und bekommen Sie die bestellten Bücher schnell und bequem zugestellt. Nehmen Sie sich die Zeit, online die Bücher Ihrer Wahl anzulesen, Buchempfehlungen und Rezensionen zu studieren, Informationen zu Autoren zu lesen. Viel Spaß beim Lesen wünscht Ihnen das Team von Buchfindr.