Hake et al.: Automatische Schadenserkennung an Wasserbauwerken ...
Ausreißererkennung erwähnt, wird die Definition dieser Ausreißer heute sehr
unterschiedlich gehandhabt. Anomalien werden nicht mehr nur als fehlerhaf-
te Messwerte verstanden, sondern oft mit besonders interessanten Ereignissen
oder verdächtigen Datensätzen assoziiert. Die ursprüngliche Definition wurde
daher von Goldstein und Uchida (2016) erweitert:
= Anomalien unterscheiden sich von der Norm in Bezug auf ihre Merkmale.
Anomalien sind selten im Vergleich zu normalen Instanzen in einem Daten-
satz.
Zwei weit verbreitete Methoden zur Anomalien-Detektion sind Transfer Lear-
ning und Local-Outlier-Factors (LOF). Beim Transfer Learning (Andrews et al.
2016) werden Neuronale Netze verwendet, die auf einer anderen Domäne vor-
trainiert sind. Dazu wird der Lernfortschritt des bestehenden Modells übertra-
gen. Daraus ergeben sich Vorteile wie: schnellere Erstellung, bessere Modellqua-
lität und geringerer Ressourcenverbrauch. Breunig et al. (2000) beschreiben eine
Methode namens LOFE, die ein Objekt danach beurteilt, wie isoliert es in Bezug
auf seine lokale Nachbarschaft ist.
2 Beispiele zur Schadensdetektion
Im Folgenden werden zwei Beispiele für die automatische Schadensdetektion
durch Anomalien-Detektion beschrieben. Das erste Beispiel verwendet Bild-
daten und Transfer-Learning zur Erkennung von Aussinterungen und das zwei-
te Beispiel nutzt LOF zur Erkennung von geometrischen Schäden in 3D-Daten
einer Hafenanlage.
2.1 Bildsegmentierung mit Transfer-Learning
Zur Erkennung von Aussinterungen an Beton- und Klinkerbauwerken in Ha-
fenanlagen wird ein Ansatz des Transfer-Learnings verwendet. Die Nutzung
von mit natürlichen Bildern vortrainierter Netze wie das hier genutzte VGG19
(Simonyan und Zisserman 2014) bietet den Vorteil, die Anzahl an benötigten
Trainingsdaten reduzieren zu können. Wir behalten nur die ersten Schichten
des Netzes bei, d.h. einschließlich des Layers pool4. Der Grund hierfür ist, dass
tiefere Schichten dazu neigen, Merkmale höherer Ordnung zu lernen (z.B. Ge-
sichter oder Objekte) als niedrigere Schichten (z.B. Kanten und Strukturen).
In Abb. 2 sind zwei Beispiele der Bildsegmentierung dargestellt. Jeweils oben
links befindet sich das Originalbild, oben rechtes das Labelbild (weiß steht für
echte Aussinterungen), unten links die vom Algorithmus stärker betrachteten
U Wilsner-Velıa
3and 102/207) a
DVW-SCHRIFTENREIHE
|<
