{"id":6407,"date":"2018-12-03T23:18:11","date_gmt":"2018-12-03T21:18:11","guid":{"rendered":"https:\/\/www.ftf.or.at\/?p=6407"},"modified":"2018-12-03T23:18:11","modified_gmt":"2018-12-03T21:18:11","slug":"hyperspectral-deep-learning-for-fruit-and-vegetable-recognition-and-bayesian-deep-learning-to-accurately-determine-model-uncertainty","status":"publish","type":"post","link":"https:\/\/www.ftf.or.at\/?p=6407","title":{"rendered":"Hyperspectral Deep Learning for Fruit and Vegetable Recognition and Bayesian Deep Learning to Accurately Determine Model Uncertainty"},"content":{"rendered":"
\"\"<\/a>

(c) ftf\/Christina Supanz<\/p><\/div>\n

\u2026 ist der Titel des\u00a03. Platzes des Roland-Mittermeir-Preises 2017<\/strong>\u00a0und wurde vom F\u00f6rderverein Technische Fakult\u00e4t mit\u00a0EUR 500,\u2013<\/strong>ausgezeichnet. Dem Autor und Preistr\u00e4ger, Herrn\u00a0Dipl.-Ing. Konstantin Posch<\/strong>, wurde der Preis im Rahmen 30-Jahr-Feier F\u00f6rderverein Technische Fakult\u00e4t<\/a> \u00fcbergeben und die Arbeit wird hier kurz vorgestellt:<\/p>\n

Zusammenfassung<\/strong>:\u00a0Theoretisches Fundament der vorliegenden Arbeit sind neurale Netze, insbesondere Convolutional Neural Networks (CNNs), als spezifische Deep Learning Modelle (DLM) zur Bildklassifikation. Zielsetzung war einerseits die Entwicklung eines innovativen, statistischen Bildklassifikators fu\u0308r Obst und Gemu\u0308se und andererseits die Erarbeitung einer neuen Methode zur Verknu\u0308pfung von Bayesscher Statistik und Deep Learning, mit dem Ziel, aktuelle Schwachstellen von DLMs entgegenzuwirken und demzufolge deren Anwendungsgebiet und Akzeptanz zu vergro\u0308\u00dfern. Neben Bearbeitung der beiden Kernthemen wurden vorab jeweils die theoretischen Hintergru\u0308nde anschaulich beschrieben.<\/p>\n

In der Nahrungs- und Genussmittelindustrie ist die zuverla\u0308ssige Klassifikation von Obst und Gemu\u0308se von gro\u00dfem Interesse (automatisierte Sortiersysteme, Qualita\u0308tskontrolle, personalisierte Erna\u0308hrung, automatische Bepreisung,…). Aufgrund der teilweise betra\u0308chtlichen A\u0308hnlichkeiten der einzelnen Klassen in Form und Farbe sowie der oft deutlichen Varianz innerhalb der Klassen gilt die Problemstellung als schwierig. Modelle sind ha\u0308ufig nicht pra\u0308zise genug, oder erfordern Bedingungen an die Datenaufnahme, die in realen Anwendungen unrealistisch, bzw. nur bedingt erfu\u0308llbar sind. Im Zuge dieser Arbeit wurde analysiert, ob die Aufnahme von hyperspektralen Bildern (im sichtbaren Spektrum) das Training zuverla\u0308ssigerer Modelle erlaubt. Beschra\u0308nkung auf das sichtbare Spektrum erlaubt die Verwendung von vergleichsweise gu\u0308nstigen Kameras, welches weitla\u0308ufige Akzeptanz in praktischen Anwendungen garantieren soll. Insbesondere wurde eine neue Methode zur Klassifikation von hyperspektralen Bilddaten vorgeschlagen, welche im Wesentlichen auf einer geschickten Erweiterung von CNNs fu\u0308r RGB Daten beruht. Basierend auf einem selbstaufgenommenen und fu\u0308r praktische Anwendungen realistischen Datensatz konnten state-of-the-art Resultate erzielt werden. Daru\u0308ber hinaus besta\u0308tigte eine Konversion der hyperspektralen Bilder in RGB Bilder die Vermutung, dass \u201eHyperspectral Imaging\u201c das Training signifikant zuverla\u0308ssigerer Modelle erlaubt.<\/p>\n

Grundsa\u0308tzlich besitzt Deep Learning zwei Nachteile, welche beide auf der Tatsache beruhen, dass die lernbaren Netzwerkparameter als deterministisch betrachtet werden. Einerseits kann die Prognoseunsicherheit nicht gemessen werden und andererseits leiden die Modelle ha\u0308ufig unter einem over-fitting. Insbesondere die fehlende Information an Prognoseunsicherheit resultiert in bedingter Eignung von Deep Learning in einigen Anwendungsgebieten, in welchen Fehlentscheidungen besonders schwerwiegend sind (selbstfahrende Autos, Medizin,…). Beide Probleme lassen sich mittels Bayesscher Statistik lo\u0308sen. Hierbei werden die Netzwerkparameter wie Zufallsvariablen behandelt, welches eine Robustheit gegen over-fitting garantiert und weiters eine Quantifizierung der Unsicherheit erlaubt. Sogenanntes Bayes Deep Learning ist Gegenstand aktueller Forschung und sto\u0308\u00dft weltweit auf enormes Interesse. In dieser Arbeit wird erstmals eine Methode fu\u0308r Bayes Deep Learning pra\u0308sentiert, welche sowohl eine akkurate Quantifizierung der Prognoseunsicherheiten, als auch der Parameterunsicherheiten erlaubt. Wie in der Arbeit gezeigt wurde, kann letzteres zur Optimierung von Netzwerkarchitekturen genutzt werden. Die vorgeschlagene Methode wurde durch Modifikation des popula\u0308ren Deep Learning Frameworks Caffe implementiert und erfolgreich am Benchmark-Datensatz MNIST getestet.<\/p>\n

Die vorliegende Diplomarbeit diente als Ausgangspunkt von zwei Publikationen, welche sich derzeit in Elsevier Engineering Applications of Artificial Intelligence und Springer International Journal of Computer Vision im Reviewprozess befinden. Abschlie\u00dfend ist noch anzumerken, dass die Arbeit im Rahmen eines Projektes mit der Carinthian Tech Research AG, Villach entstand und daru\u0308ber hinaus von der Philips Austria GmbH unterstu\u0308tzt wurde.<\/p>\n","protected":false},"excerpt":{"rendered":"

\u2026 ist der Titel des\u00a03. Platzes des Roland-Mittermeir-Preises 2017\u00a0und wurde vom F\u00f6rderverein Technische Fakult\u00e4t mit\u00a0EUR 500,\u2013ausgezeichnet. Dem Autor und Preistr\u00e4ger, Herrn\u00a0Dipl.-Ing. Konstantin Posch, wurde der Preis im Rahmen 30-Jahr-Feier F\u00f6rderverein Technische Fakult\u00e4t \u00fcbergeben und die Arbeit wird hier kurz vorgestellt: … Continue reading →<\/span><\/a><\/p>\n","protected":false},"author":3,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","footnotes":""},"categories":[12],"tags":[],"class_list":["post-6407","post","type-post","status-publish","format-standard","hentry","category-news"],"_links":{"self":[{"href":"https:\/\/www.ftf.or.at\/index.php?rest_route=\/wp\/v2\/posts\/6407","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.ftf.or.at\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ftf.or.at\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ftf.or.at\/index.php?rest_route=\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ftf.or.at\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=6407"}],"version-history":[{"count":4,"href":"https:\/\/www.ftf.or.at\/index.php?rest_route=\/wp\/v2\/posts\/6407\/revisions"}],"predecessor-version":[{"id":6430,"href":"https:\/\/www.ftf.or.at\/index.php?rest_route=\/wp\/v2\/posts\/6407\/revisions\/6430"}],"wp:attachment":[{"href":"https:\/\/www.ftf.or.at\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=6407"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ftf.or.at\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=6407"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ftf.or.at\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=6407"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}