Entwicklung und Analyse von Machine-Learning-Modellen zur Identifikation von Flugzeuglackschichten auf Bildern einer Hyperspektralkamera

Zum effzienten Entfernen von Lackschichten per Laser ist die Identifikation des genauen Lacks nötig, um den Laser entsprechend parametrisieren zu können. Eine Hyperspektralkamera ist prinzipiell dazu geeignet, Lacke zu bestimmen. Dafür ist jedoch auch ein Modell nötig, das die aufgenommenen Spektren klassifiziert Diese Arbeit beschäftigt sich daher mit der Suche nach geeigneten Methoden und Modellen, um Lackschichten unabhängig von ihrer Farbe identifizieren zu können. Auf Basis von Literaturrecherchen werden dazu Vorverarbeitungsmethoden implementiert und Random Forests sowie Neuronale Netze für die Modelle ausgewählt. Die Modelle werden mit einem dafür erstellten Datensatz von zwölf Lacken - darunter Primer ,Basecoats, Clearcoats und Topcoats - trainiert. Auf den Proben sind sowohl frischlackierte Oberflächen vorhanden als auch welche, die per Laser bearbeitet wurden. Um zu untersuchen, ob die verbleibende Schichtdicke näherungsweise bestimmt werden kann, werden sowohl Modelle trainiert, die nur den Lack identifizieren, die zwischen gelasert und ungelasert unterscheiden, als auch die, die Anzahl der Laserzy-klen bestimmen sollen. Auf der Suche nach einem geeigneten Modell werden bei den Random Forests Hyper-parameter und bei den neuronalen Netzen die Architektur variiert. Die trainierten Modelle werden in Hinblick auf Korrektheit und Geschwindigkeit bewertet und die Entscheidungen mit Hilfe von Methoden der erklärbaren künstlichen Intelligenz analysiert. Sowohl mit den Random Forests als auch mit den neuronalen Netzen ist eine gute Erkennung der Lackschichten möglich. Die neuronalen Netze erreichen aber etwas bessere Ergebnisse. Eine wichtige Erkenntnis ist, dass die Differenzierung der Klassen in gelaserte und ungelaserte Oberflächen bzw. sogar die einzelnen Laserzyklen zu einer Verschlechterung der Metriken, jedoch zu einer besseren Erkennung der Basecoats führt. Die Geschwindigkeit des neuronalen Netzes konnte gegenüber der Vorlage aus der Literatur deutlich erhöht werden, sodass sowohl einige Random Forests als auch ausgewählte neuronale Netze in der Lage sind, die anfallenden Daten mit der nötigen Framerate zwischen 50Hz und 200Hz zu klassifizieren. Einblicke in das Modell zu erhalten, ist auch wegen der Unklarheit der Zusammensetzung der Spektren nur bedingt möglich. Trotzdem konnten Methoden identifiziert werden, die Erkenntnisse über die Modelle bringen oder einzelne Entscheidungen analysieren können.