Spatially adaptive detection of local defects in time series and stochastic processes on the integer lattice Z2

点击翻译按钮获取中文摘要

Eine verbreitete Aufgabe der Materialprüfung ist die Inspektion von Oberflächen bei laufender Produktion. Zu diesem Zweck gibt es eine Reihe von ad-hoc-Algorithmen, denen kein oder nur ein stark vereinfachtes mathematisches Modell für die Oberflächenstruktur und die zu erwartenden Störungen zugrundeliegt. Typischerweise wird die Oberfläche in kleine Segmente unterteilt und aus den dort gemessenen Daten direkt mit lokalen Glättungsverfahren oder indirekt nach einer geeigneten Transformation (Fourier, Gabor, Wavelet,...) ein Maß für die lokale Regularität der Oberfläche gewonnen. Liegt der so gewonnene Wert außerhalb vorgegebener Toleranzgrenzen, so wird eine Störung der Oberfläche detektiert. Segmentierung und Wahl der Toleranzgrenzen erfolgen auf der Grundlage einfacher Heuristiken. Ziel des Projektes ist die Entwicklung geeigneter stochastischer Modelle für verschiedene, in der Praxis auftretende reguläre Oberflächenstrukturen und lokale Oberflächendefekte, auf denen aufbauend systematische und allgemein verwendbare Verfahren zur datenadaptiven Segmentierung und zur Schwellenwahl für lokale Regularitätsmaße entwickelt werden sollen. Als Kandidaten für die Modellierung werden geeignete lokal-stationäre stochastische Prozesse auf dem ganzzahligen Gitter Z2 in Betracht gezogen. Auf der Grundlage dieser Modelle kann eine adaptive Segmentierung in möglichst große Gebiete ähnlicher Regularität erfolgen, wobei ein in der Regressionsanalyse erfolgreicher Ansatz als Vorbild dient. Aus den Modellen lassen sich formal Tests ableiten, ob in einem adaptiv gefundenen Segment eine signifikante Störung vorhanden ist oder nicht.