© 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.
© 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.