© 2021 Hajuveda Heritage und iXtronics GmbH
Custos Mucoris.
Bewahrung und Sicherung national wertvoller Kulturgüter vor dem schädlichen
Einfluss von Schimmel.
Systemplattform zur automatischen Detektion von durch anthropogene
Umwelteinflüsse verursachter Schimmelbildung an Kulturgütern mittels
künstlicher Intelligenz
Neuronale Netze als Mittel
zur künstlichen Intelligenz.
Biologisch wird Sehen und
Verstehen in unserem Gehirn durch
Neuronen ermöglicht. Sie sind die
Schaltzentralen zur Weiterleitung
von Informationen. Unser Gehirn
besteht aus ca. 100 Milliarden
Nervenzellen, die mit über einer
Trillion Synapsen miteinander ver-
bunden sind. Die Netzhaut mit über
einer Millionen Pixeln überträgt die
Bilder, die wir sehen, zum Seh-
zentrum der Großhirnrinde. Durch
überwachtes Lernen ergibt sich im
Laufe der Zeit eine Verknüpfung
zwischen dem gesehenen mit
verstandenen Begriffen.
Bildverarbeitung durch
Algorithmen der
„Convolutional neural
networks“.
Überträgt man die biologischen
Abläufe auf Computer und Elek-
tronik, so wird zunächst das Auge
durch eine digitale Kamera ersetzt.
Das Bild der Kamera wird in ca.
256x256 kleinere Pixel-Bilder zer-
schnitten und diese werden in ein
neuronales Netz mit 62500 Neu-
ronen eingelesen. Diese Signale
wandern durch mehrere neuronale
Schichten bis zur Ausgangschicht.
Die Ausgangsschicht beinhaltet die
zu verstehenden Begriffe. Im Bei-
spiel oben sind das Tisch, Stuhl und
Glas. In diesem Projekt sind es z.B.
„ok“, Schimmel, Staub, Insekten.
Maschinelles Lernen durch
Überwachung des
Lernergebnisses.
Viele tausend Bilder aus den
einzelnen Kategorien sind für ein
Training der neuronalen Netze
erforderlich. Dabei wird das
Ergebnis eines jeden eingegebenen
Bildes in der Ausgangsschicht
überwacht. Ist die Erkennung durch
das Netz falsch, so wird der richtige
Begriff mitgeteilt und rückwärts
benutzt, um die Gewichtungs-
funktionen der Synapsen zwischen
den einzelnen Neuronen in eine
günstige Richtung zu verändern.
Dies wird so lange mit neuen Bildern
wiederholt, bis sich ein stabiles und
richtiges Ergebnis herausbildet.
Beispielbild für „ok“.
Bilder wurden in vielen Kirchen,
Domen und Kathedralen
aufgenommen. Die Beleuchtung
bestand aus sichtbarem Licht und
UV-Licht bei 365 nm. Als Kamera
wurde ein Handy im „raw--Modus“
verwendet. Die Bilder hatten in der
Regel mehr als 12 MPixel. Sie
wurden über ein Softwareprogramm
zerschnitten, so daß sehr viele
kleinere Bilder entstanden.
Beispielbild für Schimmel.
Die kleinen Bilder wurden manuell
ausgewertet und in Ordner für „ok“,
Schimmel, Staub, Insekten
einsortiert. Dann wurden z.B. 6000
Bilder aus „ok“ und Schimmel zum
Training herangezogen, 100 Bilder
zum Test des Ergebnisses und dann
nochmal 100 völlig neue Bilder zur
Überprüfung mit unbekannten
Motiven.
Trainingsergebnis mit 6000
Bildpaaren.
Dieses Bild zeigt eine Erkennungs-
genauigkeit von 99,5 % bei den
Testbildern und 97,5% bei den völlig
unbekannten Bildern. Das bedeutet,
daß im Test 1 Bild falsch erkannt
wurde und bei den unbekannten 3
Bilder.
Das Projekt läuft noch bis Ende 2021
und wurde von der DBU unter
Aktenzeichen 35604 gefördert.