Was ist eine Mustererkennung?
Die Mustererkennung ist der Prozess der Klassifizierung von Eingangsdaten in Objekte oder Klassen auf Grundlage der Hauptmerkmale. Es gibt zwei Methoden der Klassifizierung bei der Mustererkennung: überwachte und unüberwachte Klassifikation.
Die Mustererkennung wird unter anderem angewandt in den Bereichen Maschinelles Sehen, Radardatenverarbeitung, Spracherkennung und Textklassifizierung.
Überwachte Klassifikation
Die überwachte Klassifikation von Eingangsdaten in der Mustererkennungsmethode verwendet Algorithmen für überwachtes Lernen, die Klassifizierer auf der Grundlage von Trainingsdaten aus verschiedenen Objektklassen erstellen. Anschließend nimmt der Klassifizierer die Eingangsdaten an und ordnet das entsprechende Objekt oder die entsprechende Klassenkennzeichnung zu.
Beim Maschinellen Sehen werden die Techniken der überwachten Mustererkennung für die optische Zeichenerkennung (OCR), Objekterkennung und Objektklassifikation verwendet.
Unüberwachte Klassifikation
Die Methode der unüberwachten Klassifikation findet verborgene Strukturen in nicht gekennzeichneten Daten unter Verwendung von Segmentierungs- oder Clustering-Algorithmen. Zu den gängigen Methoden der unüberwachten Klassifikation gehören:
- K-Means-Clustering
- Gauss-Mischverteilungen
- Hidden Markov Modelle
In der Bildverarbeitung und im Maschinellen Sehen werden die Techniken der unüberwachten Mustererkennung für die Objekterkennung und Bildsegmentierung verwendet.
Einzelheiten finden Sie unter Computer Vision Toolbox, Image Processing Toolbox und Statistics and Machine Learning Toolbox, die zusammen mit MATLAB verwendet werden.
Beispiele und Anleitungen
Softwarereferenz
Mustererkennung FAQs
Mustererkennung ist der Prozess, Eingabedaten anhand wichtiger Merkmale oder Regelmäßigkeiten mithilfe von Computeralgorithmen in Objekte, Klassen oder Kategorien einzuordnen.
Die beiden Klassifikationsmethoden sind überwachte und unüberwachte Klassifikation. Überwachte Klassifikation erfordert gelabelte Trainingsdaten, während unüberwachte Klassifikation verborgene Strukturen in unbeschrifteten Daten mithilfe von Segmentierungs- oder Clustering-Techniken findet.
Ja. MATLAB unterstützt sowohl Machine-Learning- als auch Deep-Learning-Ansätze für Mustererkennung. Machine Learning erfordert manuelle Merkmalsextraktion und kleinere Datensätze, während Deep Learning die Merkmalsextraktion automatisiert, aber größere Datensätze und mehr Trainingszeit benötigt.
Gängige Deep-Learning-Modelle in MATLAB für Mustererkennung sind unter anderem R-CNN und YOLO v2, die für Objekterkennungs- und Klassifizierungsaufgaben verwendet werden.
Gängige Machine-Learning-Techniken in MATLAB umfassen Aggregate Channel Features (ACF), Support Vector Machine (SVM)-Klassifikation unter Verwendung von Histogrammen orientierter Gradienten (HOG) und Viola-Jones.
Mustererkennung wird in der Fertigung zur Fehlererkennung eingesetzt, z. B. durch Vision-basierte Techniken, die Bilder aufnehmen, diese zur Qualitätsverbesserung verarbeiten und KI-Modelle verwenden, um Objekte als fehlerfrei oder fehlerhaft zu klassifizieren.
Zu den gängigen Methoden gehören k-Means-Clustering, Gaussian-Mixture-Modelle und Hidden-Markov-Modelle.
Computer Vision Toolbox, Image Processing Toolbox und Statistics and Machine Learning Toolbox unterstützen Mustererkennung.
Siehe auch: Objektdetektion, Objekterkennung, Bilderkennung, Merkmalsextraktion, Bildsegmentierung, Videos zur Mustererkennung
