Kursbeschreibung
Bilddaten liefern verwertbare Ergebnisse, wenn alle Verarbeitungsschritte reproduzierbar zusammenarbeiten. In der Python-Bildverarbeitung Schulung entwickelst du mit OpenCV eine Pipeline, die Bilder lädt, transformiert und über Filter, Kantenerkennung sowie morphologische Operationen auswertet. Anschließend verfolgst du Bewegungen in Videoframes und prüfst Template Matching für konkrete Erkennungsaufgaben. Für lernende Verfahren bereitest du Bilddatensätze durch Resizing, Rotation und Rauschvariation vor. Du untersuchst den Aufbau von CNNs und setzt eine Bildklassifikation mit TensorFlow oder PyTorch um. Transfer Learning zeigt, wie du vorhandene Modelle für neue Bildklassen nutzt. Übungen zu Qualitätsprüfung, OCR und Kamerastreams verbinden die Verfahren mit realen Einsatzfeldern. In kleinen Gruppen mit zwei bis acht Personen bleibt Zeit, Erkennungsergebnisse direkt am Code zu besprechen. Buche das Training für dein nächstes Computer-Vision-Projekt zum passenden Termin.
Die wichtigsten Themen im Überblick
- Bildpipelines mit OpenCV entwickeln
- Kanten und Formen extrahieren
- Bewegungen in Videoframes verfolgen
- Bilddatensätze für CNNs vorbereiten
- Bildklassen per Transfer Learning erkennen
- OCR und Codes in Prüfabläufe integrieren
Zielgruppe
- Python-Entwickler für Computer-Vision-Projekte
- Data Scientists mit Schwerpunkt Bilddaten
- Automatisierungsfachkräfte für visuelle Prüfsysteme
- Machine-Learning-Entwickler mit ersten Klassifikationsmodellen
Voraussetzung für die Schulung
- Python-Kenntnisse in Funktionen, Klassen und Paketverwaltung
- Grundkenntnisse in NumPy und Machine Learning
Kursinhalte
Bilddaten mit OpenCV verarbeiten
- Bildformate und Kompression
- Farbmodelle für Verarbeitung und Anzeige
- Bilder laden und visualisieren
- Skalierung mit geeigneter Interpolation
- Rotation und präziser Bildzuschnitt
Filter und Bildmerkmale
- Rauschminderung durch Bildfilter
- Kantenerkennung mit Canny und Sobel
- Thresholding für kontrastbasierte Segmentierung
- Histogramme zur Helligkeitsanalyse
- Morphologische Verarbeitung binärer Bilder
Tracking und klassische Objekterkennung
- Bewegungserkennung zwischen Videoframes
- Objektverfolgung in Kamerastreams
- Template Matching für Referenzobjekte
- Lokale Merkmale zur Wiedererkennung
Bilddatensätze vorbereiten
- Einheitliche Bildgrößen für Modelle
- Rotation als Datenaugmentation
- Rauschvariation für Trainingsdaten
- Aufteilung in Trainingsdaten und Testdaten
CNNs und Transfer Learning
- Architektur von Convolutional Neural Networks
- Faltungsschichten und Pooling-Schichten
- Bildklassifikation mit TensorFlow oder PyTorch
- Vortrainierte Modelle für neue Bildklassen
- Bewertung von Klassifikationsergebnissen
Anwendungen für visuelle Prüfungen
- Bildbasierte Qualitätssicherung
- Texterkennung mit OCR
- Barcode- und QR-Code-Erkennung
- Verarbeitung laufender Kamerastreams
