5.4 Synthese von Bilddaten 
Zi Fraunhofer Zi Fraunhofer 
CML 160 
© 
* 
ß 
T- a 
N 
S 
vw 
SE 
® 
a 
m 
£ 
ve 
+ 
6 
PA 
Original Image 
Rotations 
Color Jitter 
Gaussian Blur 
Flip, Rotate, 
Posterize, Jitter, 
Gaussian Blur Gaussian Blur 
Abbildung 16: Transformationen zur Augmentation von Bilddaten unter Anwendung verschiedener Strategien (Po- 
licies) (Auszug [p8)) 
5.3.4 Annotation von Echtdaten an Bord eines Schiffes 
Die Annotation von Bilddaten spielt eine zentrale Rolle beim Training und bei der Entwicklung von Modellen des 
überwachten maschinellen Lernens, insbesondere im Bereich der Objekterkennung und der semantischen Seg- 
mentierung. In der Regel erfolgt die Annotation durch das Hinzufügen von Bounding Boxes, Masken oder anderen 
Markierungen, um Objekte in den Bildern zu identifizieren. Die Anwendung von maschinellem Lernen in mari- 
timen Szenarien, insbesondere an Bord von Schiffen, bietet jedoch eine Vielzahl von Datenströmen, die für die 
Entwicklung von Annotations- und Trainingsprozessen genutzt werden können. Dabei spielen insbesondere IEC 
61162-1 (NMEA-0183) und IEC 61162-450 (NMEA-450) eine zentrale Rolle bei der Erfassung und Übertragung 
von Navigations- und Betriebsdaten. In Verbindung mit ENC-Daten bieten sie die Möglichkeit, Bilddaten mit geo- 
r‚eferenzierten Informationen aus der Seekarte zu versehen. Dies ermöglicht eine präzise Referenzierung der visuell 
erfassten Umgebung, die für Anwendungen in der Navigation und Positionserfassung zur Erstellung umfassender 
Trainingsdatensätze genutzt werden kann. 
Für die Integration von Automatisierungsdaten bieten sich Protokolle wie Modbus, OPC/UA und MOTT an. 
Sie ermöglichen die Erfassung von Informationen über den Zustand der automatisierten Systeme auf dem Schiff. 
Die Korrelation dieser Daten mit den Bilddaten erlaubt eine umfassende Analyse und eine genauere Zuordnung 
der Zustände des Schiffes. Eine Harmonisierung der Schnittstellen ist derzeit jedoch nicht gegeben, so dass eine 
mögliche Integration dieser Daten im Einzelfall auf ihre Anwendbarkeit und Korrektheit geprüft werden muss. 
Zusätzlich ermöglicht der Einsatz von Asterix CAT-240 die Erfassung von Radar-Rohbilddaten. Diese Daten sind 
besonders wertvoll, da sie als Ground Truth für kamerabasierte Systeme dienen können, um die Leistungsfähigkeit 
der Objekterkennung in Bezug auf die räumliche Verortung zu bewerten. Beispielhafte Implementierungen von 
Verfahren zur Objekterkennung in Radarrohbildern sind in [EA] zu finden, beschränken sich jedoch zunächst auf 
die Erkennung von Objekten in den Radarbildern selbst. Die Detektionen können aber als Hilfsmittel zur Korrelation 
und räumlichen Zuordnung von Objekten in Kamerabildern genutzt werden. Vertiefende Untersuchungen werden 
als Forschungsgegenstand für zukünftige Untersuchungen im Bereich der Annotation von Echtzeitdaten mit Hilfe 
von Betriebsdaten an Bord eines Schiffes angesehen. 
5.4 Synthese von Bilddaten 
Die in der Entwicklung zur Verfügung stehenden realen Bilddaten Datensätze erfüllen häufig nicht die vorgegebe- 
nen Anforderungen (s. Kapitel 5.2). Zwar lassen sich Bilddatensätze unter Verwendung (geometrischer) Transforma- 
tionen augmentieren und so hinsichtlich verschiedener Eigenschaften verbessern, allerdings nur im beschränkten 
Maße. Mithilfe der Synthese von Bilddaten, also der Erzeugung von künstlichen Bilddaten, können bestehende Da- 
tensätze durch synthetische Bilddaten augmentiert werden oder gänzlich eigenständige synthetische Datensätze