Automatic evaluation of experiments based on machine learning

Abstract

Diese Arbeit befasst sich mit der automatischen Auswertung von Durchstoßversuchen anhand von Bildserien einer Hochgeschwindigkeitskamera und unter der Verwendung von Konzepten des maschinellen Lernens. Ziel ist es, das erste Bild in der Bildserie zu identifizieren, welches Versagen der Probe zeigt, den sogenannten Versagenspunkt. Dazu wird ein zweistufiges System vorgeschlagen, bei dem in der ersten Stufe die Versagenswahrscheinlichkeit der Probe auf Bildebene klassifiziert wird. In dieser Arbeit werden drei Klassifizierungsansätze untersucht: einfache Bildverarbeitung, Haralick-Merkmale mit einem neuronalen Netzwerk und zwölf Modelle, die drei Architekturen mit vier verschiedenen Eingabedatenmodellen kombinieren. In der zweiten Stufe wird mithilfe einer Segmentation mittels Veränderungsdetection (Changepoint-Detection) versucht, auf Basis der Klassifizierungsergebnisse der ersten Stufe den Versagenspunkt zu identifizieren. Im Vergleich zur einfachen Bildverarbeitung und dem Haralick-Merkmal-Ansatz liefert die Verwendung von CNN-Modellen bessere Ergebnisse. Das beste Modell kann die Versagenspunkte mit einer Genauigkeit von 90% auf eine Abweichung von plus oder minus fünf Bildern vorhersagen. Dies entspricht einer maximalen Abweichung von 500μs vom vorbestimmten Versagenspunkt. Dasselbe Modell sagt den Versagenspunkt in 44,1% der Experimente ohne Abweichung genau voraus, während ein anderes Modell das Versagen in einem engeren Bereich von 24 Bildern und unter Berücksichtigung von zwei Ausreißern vorhersagt. Die hier dargestellten Modelle zeigen, dass sie in der Lage sind, den Versagenspunkt bei unterschiedlichem Materialverhalten zu identifizieren und somit für eine Anwendung geeignet sind. Jedoch können Probleme auftreten, wenn schwierige Bedingungen wie Lichtmangel oder Reflexionen vorliegen.

This thesis focuses on the automatic evaluation of puncture tests using image series obtained from a high-speed camera and employing Machine Learning techniques. The main objective is to identify the frame in the series that shows the first visible failure, referred to as the Failure Frame. To achieve this, a two-stage system is proposed, where the first step classifies the probability of a failure at an image level. This thesis explores three classification approaches: basic image processing, Haralick features with a neural network, and twelve models that combine three Convolutional Neural Network (CNN) architectures with four input Data Models. The second stage uses segmentation via change-point detection to determine the non-failure-to-failure label change corresponding to the Failure Frame based on the classification results. CNNs yield better results compared to the image processing and the Haralick feature approach. The best model is able to predict the Failure Frames with a deviation of plus or minus five frames at an accuracy of 90%, which corresponds to a maximum deviation of 500μs from the labeled Failure Time. The same model accurately predicts 44.1% of the Failure Frames, while another one achieves a narrower prediction range, deviating by only 24 frames when considering two outliers. These models demonstrate the ability to identify the Failure Frame for various material behaviors. However, they encounter challenges in difficult conditions, such as insufficient lighting and reflections.