Problematik

Bei der Klassifizierung von Bauschutt spielt die hyperspektrale Bildgebung eine wichtige Rolle. Aufgrund der Vielfalt der darin enthaltenen Informationen sind Hyperspektraldaten besonders für die Klassifikation mittels Machine Learning (ML) geeignet. Die Erstellung umfangreicher hyperspektraler Datensätze ist aufwendig und zeitintensiv. Zudem sind bestimmte Bauschuttklassen weniger vertreten als andere. Für das Training von ML-Algorithmen können unterbesetzte Klassen und knappe Trainingsdaten zu einer Verringerung der Klassifikationsleistung führen.

Lösung

Um dieses Problem zu lösen, schlagen wir vor, eine Datenaugmentierung mit einem KI-basierten Ansatz einzusetzen. Im Hinblick auf den Verarbeitungsablauf bei der Klassifikation von Hyperspektraldaten und zur Verringerung der Komplexität wird eine Dimensionsreduzierung vor der Datensatzerweiterung durchgeführt. Beim vorgeschlagenen Ansatz wird ein Augmentierungsmodul (StyleGAN3) unter Verwendung der dimensionsreduzierten Hyperspektraldaten trainiert. Anschließend werden die synthetisch erzeugten und die originalen Daten für das Training des ML-Algorithmus verwendet. Auf diese Weise kann der vorhandene Datensatz erweitert und diversifiziert werden und die Detektionsleistung des ML-Algorithmus verbessert werden.

Vorteile für KMU

Die Vorteile für KMUs ergeben sich durch den Einsatz moderner KI-basierter Methoden zur Datenaugmentierung. Mit Hilfe der vorgeschlagenen Algorithmen können vorhandene Datensätze erweitert und vielfältiger gestaltet werden, ohne das neue Daten gesammelt werden müssen. Die Kosten für die Datenbeschaffung werden somit gesenkt.

Ihre Ansprechperson zur Testumgebung KI-basierte Augmentierung hyperspektraler Daten zur Unterstützung der Bauschuttklassifizierung:

Albrecht Heß Dipl.-Ing,
Fachgebiet Qualitätssicherung und Industrielle Bildverarbeitung
Telefon: +49 3677 69-3925
Mail: albrecht.hess@tu-ilmenau.de