No abstract

Zusammenfassung Seit geraumer Zeit werden durch Forschergruppen an verschiedenen Stellen Anstrengungen unternommen, bildhafte Messdaten von Rasterkraftmikroskopen (AFM) mit dem aus der Bildverarbeitung verfügbaren Methodenrepertoire zu verbessern. Im Fall der Potenzialmessung nach der Kelvin-Methode (KFM) bieten sich aufgrund der linearen Zusammenhänge bei der Datenentstehung sehr gute Voraussetzungen, um die prinzipbedingt geringere laterale Auflösung der KFM-Messdaten durch Entfaltung zu erhöhen. Im Beitrag wird in diesem Zusammenhang ein adaptives freiheitsgradbeschränktes Bildmodell zur Verfahrensregularisierung vorgestellt. Derartige Modelle wurden von den Autoren bereits erfolgreich im Bereich der Restauration astronomischer Himmelsüberwachungsaufnahmen eingesetzt.

Currently, Deep Learning (DL) shows us powerful capabilities for image processing. But it cannot output the exact photometric process parameters and shows non-interpretable results. Considering such limitations, this paper presents a robot vision system based on Convolutional Neural Networks (CNN) and Monte Carlo algorithms. As an example to discuss about how to apply DL in industry. In the approach, CNN is used for preprocessing and offline tasks. Then the 6-DoF object position are estimated using a particle filter approach. Experiments will show that our approach is efficient and accurate. In future it could show potential solutions for human-machine collaboration systems.

No abstract