Detektion von Stoffen in Lebensmitteln mit Hilfe von 3D-Faltungsautoencodern / Detection of substances in food with 3D convolutional autoencoders

2020

Self Cite

ZusammenfassungIn diesem Beitrag wird eine Methode vorgestellt, mit der Daten zum Training von künstlichen neuronalen Netzen für die spektrale Entmischung erzeugt werden. Dies hat den Vorteil, dass nur Spektren der beteiligten Reinstoffe und, je nach verwendetem Modell, wenige Mischspektren zur Bestimmung der Parameter an realen Daten zur Verfügung stehen müssen. Daraus können mit Hilfe von Mischmodellen, die auch direkt zur Entmischung herangezogen werden können, große Mengen an Spektren zum Trainieren erzeugt werden. Im Gegensatz zum direkten Einsatz der Mischmodelle, wo von einem Spektrum pro Reinstoff ausgegangen wird, wird hier die Spektrenvariabilität berücksichtigt, indem unterschiedliche Spektren desselben Reinstoffs genutzt werden. Dabei wird die Eigenschaft künstlicher neuronaler Netze ausgenutzt, aussagekräftige Merkmale auf Basis großer Datenmengen lernen zu können.

Section: Introductionunclassified

Erzeugung künstlicher Datensätze zum Training konvolutionaler neuronaler Netze für die spektrale Entmischung

Anastasiadis

Benzing

2020

Self Cite

“…Diese können nur drei Farbkanäle (Rot, Grün, Blau) pro Pixel aufnehmen, wohingegen hyperspektrale Kameras ein Spektrum an jedem Pixel aufnehmen [5]. Da die Spektren Informationen über die Stoffeigenschaften enthalten, können damit Rückschlüsse auf die Zusammensetzung gezogen werden [1]. Werden dabei die Anteile der Komponenten quantitativ geschätzt, spricht man von spektraler Entmischung (vgl.…”

Section: Introductionunclassified

Ortsaufgelöste spektrale Entmischung mit Hilfe von konvolutionalen neuronalen Netzen / Spatially resolved spectral unmixing using convolutional neural networks

Anastasiadis

2019

Self Cite

ZusammenfassungIn diesem Beitrag wird ein modellfreier Ansatz, basierend auf einem konvolutionalen neuronalen Netz, für die spektrale Entmischung von Hyperspektralbildern vorgestellt. Dieser wird anhand von Beispieldatensätzen evaluiert und mit Methoden, denen das lineare Mischmodell zugrunde liegt, verglichen. Außerdem werden Möglichkeiten vorgestellt, wie die physikalische Interpretierbarkeit der geschätzten Materialanteile gewährleistet werden kann. Bei dem hier vorgestellten Ansatz geschieht dies durch Ausgangsschichten, die erzwingen, dass die geschätzten Materialanteile alle positiv sind und in der Summe eins ergeben.

Reconstruction of multispectral images from spectrally coded light fields of flat scenes

Schambach

2019

We present a novel method to reconstruct multispectral images of flat objects from spectrally coded light fields as taken by an unfocused light field camera with a spectrally coded microlens array. In this sense, the spectrally coded light field camera is used as a multispectral snapshot imager, acquiring a multispectral datacube in a single exposure. The multispectral image, corresponding to the light field’s central view, is reconstructed by shifting the spectrally coded subapertures onto the central view according to their respective disparity. We assume that the disparity of the scene is approximately constant and non-zero. Since the spectral mask is identical for all subapertures, the missing spectral data of the central view will be filled up from the shifted spectrally coded subapertures. We investigate the reconstruction quality for different spectral masks and camera parameter sets optimized for real life applications such as in-line production monitoring for which the constant disparity constraint naturally holds. For synthesized reference scenes, using 16 color channels, we achieve a reconstruction \mathrm{PSNR} of up to 51 dB.