Machine-Learning-Pipeline für Deep-Hough-Transform

Die Hough-Transformation ist ein weit verbreitetes Verfahren zur Linienerkennung, stösst jedoch bei komplexen Bildinhalten, Rauschen oder variierenden Bedingungen an ihre Grenzen. Die Deep-Hough-Transformation kombiniert dieses Verfahren mit einem neuronalen Netzwerk, um robuster auf solche Schwierigkeiten reagieren zu können. Ziel dieser Arbeit ist die Integration der bestehenden Deep-Hough-Transformation in eine automatisierte Machine-Learning-Pipeline, um auf spezifische Anwendungsfälle ausgelegte Modelle trainieren zu können.

Im Rahmen dieser Arbeit wurde eine vollständige ML-Pipeline entwickelt, die alle Schritte von der Datensammlung, über die Datenaufbereitung mit Augmentationen, Cross-Validation, Training und Evaluation automatisiert. Für den produktiven Einsatz wurden zudem Konzepte für das Deployment und Monitoring entwickelt. Die Verwaltung und das Tracking der Experimente erfolgen mit MLflow. Zusätzlich wurde ein Labelling- und Test-Tool mit C++ und dem Qt-Framework entwickelt, das die Erstellung von Trainingsdaten sowie den Vergleich verschiedener Modelle vereinfacht.

Durch die hohe Automatisierung und vereinfachte Konfigurierbarkeit wird der manuelle Aufwand für das Training von Modellen für spezifische Anwendungsfälle deutlich reduziert. Die entwickelte ML-Pipeline ist bereit, gezielt Modelle für Situationen und Anwendungsfälle zu trainieren, in denen die klassische Hough-Transformation an ihre Grenzen stösst.

Schlüsselwörter: Künstliche Intelligenz, Bildverarbeitung, Software-Engineering