Vorhaben

Deep Learning Algorithmen zur Objekterkennung in Bildern oder Videosequenzen bedingen große Trainingsdatensätze mit hoher Varianz in denen die Ausgangsdaten mit Objektklassen annotiert sein müssen. Diese Datenbasis muss üblicherweise mit realen Bildern und aufwändigen manuellen Annotationsschritten aufgebaut werden. Aufgrund der zeitintensiven Vorverarbeitung und der daraus resultierenden kleinen Datenbasis werden Anwendungsszenarien in der Automatisierungstechnik bislang stark gehemmt, obwohl diese großes Potential im Bereich der kontextsensitiven Informationsdarstellung mittels Augmented Reality z.B. zur Visualisierung von Prozessdaten zeigen. Zur Bewältigung der skizzierten Hemmnisse wird in diesem Beitrag ein Konzept zur synthetischen Trainingsdatengenerierung für die Objekterkennung mittels Deep Learning vorgestellt. Mit dem Konzept können Digitale Zwillinge zu erkennender Objekte (z.B. kinematisiertes virtuelles Modell eines Industrieroboters) für die synthetische Generierung von Bildern mit einer virtuellen 3D-Szene und die automatisierte Annotation genutzt werden. Der Prozess der Trainingsdatengenerierung soll durch den Ansatz bedeutend beschleunigt und die Qualität der Trainingsdaten systematisch sichergestellt werden.

Die Generierung der synthetischen Trainingsdaten und das Training von Neuronalen Netzen mittels Deep Learning bilden jeweils rechenintensive und parallelisierbare Prozesse, die beide durch den Einsatz eines High Performance Computing-Clusters profitieren können, weshalb das bwUniCluster2.0 des Landes BW integriert und zur Evaluation des Konzepts genutzt wird.