Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Elektronik automot ive 19 Künstliche intelligenz dingungen einwandfrei funktionieren und zuverlässige Informationen liefern Die Bildaufbereitungssoftware SmoFod Eine solche Bildaufbereitungssoftware nennt sich Smog and Fog Dehazer SmoFod Sie wurde entwickelt um mittels einer KI Nebel aus Bildern zu entfernen und so den Fahrer bei der oft riskanten Fahrt durch den Nebel zu unterstützen Nebel kommt speziell in Regionen mit Flüssen oder Seen oft vor Manche sehen in ihm etwas Romantisches oder Geheimnisvolles aber für Autofahrer stellt er in erster Linie ein großes Sicherheitsrisiko dar Das Wetterphänomen Nebel ist zurückzuführen auf kleinste Wassertropfen die einen Durchmesser von 0 01 mm bis 0 04 mm aufweisen Diese Tröpfchen lassen Farben verblassen und entschärfen Kontraste wodurch sich die Sicht insgesamt verschlechtert Je nach Stärke des Nebels sind die Farbund Kontrastunterschiede weit entfernter Objekte für den Menschen kaum noch auszumachen und die Objekte somit nicht erkennbar Fährt ein Fahrzeug durch Nebel nehmen die Onboard-Kameras digitale Bilder bestehend aus drei Kanälen Rot Gelb und Blau auf Jeder Kanal besteht aus einzelnen Pixeln die den Intensitätswert der Farbe an der konkreten Bildstelle darstellen Hierdurch kann ein Bild auf sehr granularer Weise aufgelöst und analysiert werden Auf Pixelbasis sind trotz des Nebels oft noch geringe Farbund Kontrastunterschiede auszumachen Hier setzt die Entwicklung von SmoFod an Er analysiert kleinste Unterschiede der Pixelwerte und ändert diese derart ab dass ein klares Bild entsteht aus dem der Nebel herausgerechnet wurde DehazeNet als Basis von SmoFod Die Entwicklung von SmoFod begann im Jahr 2017 Damals bildete das Dehaze - Net von Bolun Cai et al [1] die Grundlage der Entwicklung Das Dehaze-Net folgt der Theorie dass der Lichtdurchlässigkeitsfaktor des Nebels in einem sehr kleinen Bildausschnitt für jeden Pixel in diesem Ausschnitt identisch ist Daher wurde der Ansatz verfolgt ein Netz zu trainieren das diesen Faktor für einen kleinen Bildausschnitt bestimmt Für den Bilddatensatz wurden Ausschnitte der Größe 16 Pixel x 16 Pixel aus diversen Bildern extrahiert und diese synthetisch vernebelt unter Verwendung eines zufällig generierten Lichtdurchlässigkeitswertes Das Netz erhält also als Eingabe einen vernebelten 16-Pixelx-16-Pixel-Bildausschnitt und bestimmt den Lichtdurchlässigkeitsfaktor Dieser wird mit dem korrekten bekannten Faktor verglichen Auf diese Weise wird das Netz trainiert In der Anwendung ist nun aber nicht die Kenntnis der Lichtdurchlässigkeitsfaktoren interessant sondern das entnebelte Bild Dieses kann mithilfe von Koschmieders Modell der horizontalen Sichtweite [2] berechnet werden Koschmieders Modell Ix Jx t x + α 1 − t x kann folgendermaßen umgeformt werden Hier bezeichnet Jx den Pixelwert des klaren Bildes Ix den Pixelwert des vernebelten Bildes und t x den Lichtdurchlässigkeitswert jeweils an der Stelle x Der Parameter α ist innerhalb eines Bildes konstant Der Wert wird bestimmt indem alle Bildpunkte extrahiert werden die den geringsten Lichtdurchlässigkeitswert und somit den dichtesten Nebel aufweisen Der höchste Pixelwert dieser Bildpunkte beschreibt α Gleitet nun ein 16x16-Kernel über das Eingabebild wird für jeden Bildausschnitt mithilfe des trainierten Netzes der Lichtdurchlässigkeitswert t x bestimmt Anhand dieser Werte und Koschmieders Modell lassen sich die ursprünglichen Farbwerte der Pixel errechnen und somit ein klares Bild rekonstruieren Das DehazeNet wurde weiterentwickelt und optimiert Es wurde auf Tensorf low portiert ein realistischer Datensatz wurde zusammengestellt die Architektur angepasst und ein Pruning deutsch Ausdünnen des Modells durchgeführt Das Modell war nun in der Lage vernebelte Bilder zu entnebeln Wie in Bild 1 ersichtlich bestand allerdings das Problem dass Farben verfälscht wurden und Artefakte entstanden Das Capsule Neural Network Zur Zeit als EDAG seine Lösung Smo-Fod entwickelte veröffentlichten Hinton et al ein Paper zu einer neuartigen Bild 1 Gegenüberstellung von vernebeltem klarem und erster Version des SmoFodentnebelten Bildes Im entnebelten Bild sind Farbverfälschungen und Artefakte erkennbar [3] Bild EDAG