Erkennersysteme

Machine Learning, Erkennungsverfahren und AI

Ob in Industrieanlagen, im Automotivumfeld oder im Consumerbereich, es existieren vielfältige Anwendungen für Objekt- oder Mustererkennungsverfahren.

Automatisierte Qualitätskontrolle

In einer Produktionsanlage überwacht eine Messeinrichtung die Qualität der Erzeugnisse. Dafür extrahiert sie Merkmale und führt sie einem Klassifikationsverfahren zu. Der Klassifikator (Erkenner) bewertet das Werkstück automatisch und entscheidet die Einteilung in verschiedene Qualitätsklassen (z.B. bestanden, nicht bestanden).

Fahrerassistenzsysteme

Eine Fusion aus verschiedenen Sensoren erfasst Signale aus der Verkehrsumgebung. Diese werden anhand ihrer Merkmale wie Bewegungsdynamik (statisch, Bewegungsvektor, …), Position (nah, fern, neben der Straße, …) und Objekt ( Verkehrsteilnehmer, Beschilderung, …) automatisch klassifiziert. Diese Informationen ermöglichen es, dem Assistenzsystem Maßnahmen einzuleiten ( Vollbremsung, Verkehrsbeobachtung, Warnhinweise geben, … ).

Akustische Umgebungsanalyse

Eine Anwendung extrahiert Merkmale aus den akustischen Signalen der Umgebung. Diese Merkmale werden analysiert und klassifiziert. Die Klassifikation kann dabei entsprechend trainiert werden, sodass eine Unterscheidung der Verkehrsmittel (Straßenbahn, Auto, … ) oder Ereignisse (Martinshorn, Auffahrunfall, Glasbruch, …) erfolgt. Mit diesen Information können Verkehrsaufkommen analysiert oder Ampelschaltungen optimiert werden.

Wir sind Experte für automatische Klassifikations- bzw. Erkennungsaufgaben. Grundstruktur eines Erkennungssystems ist die Aufteilung in Merkmalanalysator und Klassifikator. Der Merkmalanalysator extrahiert aus dem informationstragenden Signal relevante Merkmale, aus denen sich Klassenunterschiede ableiten lassen. Der Kassifikator weist die zu untersuchenden Merkmalsvektoren einer erkannten Klasse zu. Dafür benötigt er Wissen über die Merkmale der zu erkennenden Klassen, welches er in einer Trainingsphase erwirbt und speichert.

Je nach Merkmalen und Erkennungsaufgaben existieren vielfältige Verfahren.
Bspw.:

Merkmalsanalyse

  • ESignalanalyse-Verfahren
  • EEnergieverlauf
  • EFilterung
  • EHistogramm
  • EMelFilterbank (MFB)
  • ELineare Prädiktorkoeffizienten (LPC)
  • EMel-Cepstral-Koeffizienten (MFCC)
  • EMerkmalsextraktion
  • EHauptkomponentenanalyse (PCA)
  • EHauptachsentransformation und weitere

Robustheit von Erkennern

  • EAnalyse von Störungen unter realen Umgebungsbedingungen
  • EStörungsmodellierung der Quelle-Sensor-Strecke
  • EVerfahren zur Eliminierung oder Unterdrückung von Störungen (z. B. Spektrale Subtraktion)
  • EKompensation von Störungen (z. B. Akustische Echokompensation (AEC))
  • ETraining unter gestörten Bedingungen uvm.

Folgenklassifikation

  • EHidden Markov Models (HMM; mit GMMs)
  • EDeep Neuronal Networks
  • EDynamic Time Warping
  • EDynamische Programmierung
  • EVITERBI-Algorithmus
  • ETraining unter gestörten Bedingungen uvm.

Vektorklassifikation

  • EAbstandsklassifikator
  • EBAYES-Klassifikator
  • Estochastischer GMM-Klassifikator (Gaussian Mixture Models)
  • ESupport Vector Machine

Zusatzmaßnahmen

  • EEventdetektion
  • ERobuste Rückweisungsstrategien
  • EKonfidenzschätzverfahren
  • EAutomatic Gain Control
  • E Rückweisung oder Konfidenz durch zeitlichen Kontext
  • Ezusätzliche Sensorik uvm.

Signalverarbeitung

Algorithmen und Verfahren

Wir sind Spezialist für digitale Signalverarbeitungssysteme und deren Verfahren. Die Erarbeitung und Bewertung von Algorithmen und Verfahren der Signalverarbeitung ist eine besondere Kernkompetenz. Wir entwickeln Signalverarbeitungssysteme, -verfahren und
-algorithmen für den Einsatz in intelligenten Sensoren, für Anwendungen der Signalanalyse und Mustererkennung sowie für kundenspezifische Aufgabenstellungen.

Z

Abtastraten-Anpassung, Dezimation und Interpolation

Z

Digitale Systeme, Filterung, Faltung

Z

Spektralanalyse (Diskrete Fouriertransformation, Fast Fourier Transform (FFT), DCT)

Z

Cepstralanalyse (Cepstrum, Quefrenz, Lifter, Kurz- und Langpass)

Z

statistische Signalanalyse, Autokorrelationsfunktion

Z

Signaltransformationen (Hilbert-, Wavelet-Transformation)

Z

Histogrammanalyse, Effektivwert, Energie

Z

Standardabweichung und Varianz

Z

arithmetischer Mittelwert quadratischer Mittelwert (mittlere Leistung)

Z

ein- oder mehrdimensionale Dichtefunktionen

Z

Modulationsverfahren (AM, FM, PSK, QPSK, QAM, OFDM)

Z

Overlap-and-Add-Synthese, Synthesefilterbank

Erarbeitung einer Signalverarbeitungslösung

schematisches Vorgehen

Bildverarbeitung

2D und 3D

Digitale Bildaufnahmen und zugehörige Bildverarbeitungsverfahren sind aus dem heutigen Leben nicht wegzudenken. Im Unterschied zu Signalen, die von der Zeit abhängen (bspw. Audiosignalen), sind Bildsignale zweidimensional abhängig von räumlichen Koordinaten (x- und y-Koordinate einer Bildmatrix). Der Informationsraum kann dabei noch komplexer werden. So erweitert er sich bei einer 3D-Kamera (Tiefen- / Entfernungsinformation) oder Bildfolgen (Zeit) um zusätzliche Dimensionen.

Die digitale Bildverarbeitung befasst sich mit Signalverarbeitungs- und Mustererkennungsverfahren von Bildsignalen. Die Anwendungen reichen dabei weit über die allseits bekannte digitale Fotokamera hinaus. Beispiele findet man bei der Bildanalyse und
-verbesserung in Wärmebildkameras, der automatischen Bildauswertung für die Automatisierung von Produktionsanlagen, der Bildverbesserung und -erkennung in Röntgenaufnahmen in der Medizin oder in der Sicherheitstechnik, der automatischen Objekterkennung in optischen Sensoren im Automotive-Umfeld u.v.m.

Wir schöpfen hier aus mehrjähriger und anwendungsbezogener Erfahrung bei der Auswertung von Bildsignalen in den Bereichen Automotive, Industrieautomation sowie Consumerelektronik. Unter anderem in:

Z
Histogrammanalyse und Kontrastoptimierung
Z
Rauschunterdrückung und Glättung
Z
Objektdetektion, Objektlokalisation, Objekttrajektorien
Z
Gestendetektion
Z
Automatic Gain Control
Z
automatische Objektklassifikation für Industrieautomationsanlagen

Algorithmen entwickeln

Modellierung bis Implementierung

Algorithmen, unabhängig ob Signal- und Bildverarbeitung oder Machine Learning und AI, entstehen aus einem mathematischen Modell, das nach Analyse der Aufgabenstellung aufgestellt wird. Das Verfahren wird modelliert und anschließend in einer Simulationssprache, wie MATLAB oder Python, umgesetzt. Die Vorteile der Modellsimulation sind ein schnelleres Testen mit geringem Implementierungsaufwand, die direkte Umsetzung von Spezifikationen ohne spezielle Hardware, die Anschaulichkeit und die Verwendung des Modells als Dokumentation. Darüber hinaus ermöglicht es vielfältige Analysefunktionen, die in Echtzeitsystemen nur mit großem Aufwand umsetzbar sind.

Zusätzlich wird in der Simulationssprache eine Evaluationsumgebung erstellt, die das zu entwickelnde System mit möglichst vielen Eingangsbedingungen (Stimuli-Signale) testet. Während der Simulation und des Tests werden das mathematische Modell sowie das vollständige modellierte System iterativ weiterentwickelt. Die Evaluationsumgebung wird in späteren Implementierungsschritten des zu entwickelnden Systems weiter verwendet. Sie testet das Modell, die implementierte Software sowie die Echtzeitimplementierung auf der Hardware.

Intelligente Sensoren

die umgebung erfassen

Das Erfassen physikalischer Größen wird in fast allen modernen technischen Systemen benötigt, bspw. zur Überwachung, Regelung oder Systemsicherheit. Beispiele finden sich in Haushaltsgeräten, Automotive, Mobilfunkgeräten, bei der Prozessautomatisierung und in fast allen Bereichen unseres Lebens.

Hochautomatisierte Systeme erfassen ständig Informationen über ihre zu steuernde oder zu überwachende Umgebung. Diese Informationen werden mit intelligenten Sensoren aufgenommen.

Ein multimodales Mensch-Maschine-Interface oder Automatisierungssystem erhält Informationen aus einer Vielzahl von Sensoren. Diese werden in einer intelligenten Prozesssteuerung verarbeitet. Es besteht bei derartigen Systemen regelmäßig die Herausforderung, robust und intelligent auf sich ändernde Umgebungsbedingungen zu reagieren. Dafür werden in erster Näherung adaptive Systeme und Filter angewendet, die sich bspw. an variierendes Umgebungsrauschen anpassen oder sich ändernde Helligkeiten oder variierende Kanalverzerrungen kompensieren. In einigen Fällen ist es sinnvoll, das System lernfähig zu konzipieren. In diesem Fall spricht man oft von Künstlicher Intelligenz, die über einfache Umgebungsadaption hinausreicht. Diverse algorithmische Aufgaben intelligenter Sensoren und Systeme sind:

  • EEventdetektion und -klassifikation
  • Eautomatische Kalibrierung
  • Eadaptive Verfahren, adaptive Filter, robustheitsbezogene Maßnahmen
  • EAutomatic Gain Control (AGC) zur optimalen ADU-Aussteuerung
  • Eautomatische Umgebungsanalyse (akustisch, optisch, thermisch, Orts- oder Bewegungssituation usw.)
  • ELernalgorithmen (Training neuronaler Netze oder statistischer Klassifikatoren zur Laufzeit)
  • Eund viele mehr