Data Mining auf multidimensionalen und komplexen Daten in der industriellen Bild

Über den Titel

Inaugural-Dissertation zur Erlangung der Doktorwürde der Naturwissenschaftlich-Mathematischen Gesamtfakultät der Ruprecht-Karls-Universität Heidelberg. Die in den letzten Jahrzehnten gestiegene Komplexität in der industriellen Fertigung, der Anstieg der zu erreichenden Qualität und das Streben nach geringen Produktionskosten führen zu erhöhten Anforderungen in der Qualitätssicherung bezüglich dem Aufwand, der Effizienz und der Fehlerfreiheit. Um diesen Erfordernissen gerecht zu werden, kommen zunehmend Verfahren der industriellen Bildverarbeitung und des maschinellen Lernens zum Einsatz. Diese Arbeit beschreibt einen Entwurf und dessen Realisierung von Methoden des Data Minings in der industriellen Bildverarbeitung. Der Schwerpunkt liegt in der Detektion von Fertigungsfehlern. Das vorgestellte zweistufige Klassifikationssystem TISC ist in der Lage automatisch multidimensionale Bilddaten zu bewerten. Die erste Stufe beinhaltet die Klassenvorhersage der Einzelbilder. In der zweiten Stufe werden diese Einzelbewertungen zu einer Gesamtentscheidung zusammengefasst. Die Besonderheit ist, dass nicht sämtliche Komponenten einzeln optimiert werden, was nur zu einem suboptimalen Gesamtsystem führen würde; sondern dass mit Hilfe von effizienten Berechnungsmethoden das System als Ganzes systematisch optimiert wird. Dazu ist die Bearbeitung und das Handling von großen Datenmengen sowohl während der Optimierungsphase als auch in der Ausführungsphase notwendig. Das Systemkonzept TISC konnte erfolgreich an einer Laserschweißanlage zur Fehlererkennung und für die Klassifikation von hochenergetischen Teilchen in der Erdatmosphäre erprobt werden. Als weitere Data Mining-Methode wurde das Clusterverfahren Basin Spanning Trees untersucht und weiterentwickelt.