In diesem Projekt wurden Ansätze zur Bilddatensynthese für maschinelle Lernsysteme in der Fertigung erforscht, implementiert und auf ihre Eignung und ihr Potenzial hin bewertet. Diese Ansätze wurden für zwei Anwendungsfälle implementiert: Werkzeugklassifizierung und Klassifizierung von Oberflächenstrukturen nach dem Laserpolieren. Zudem wurden die Ansätze in einen Webservice implementiert, der es Nutzern ermöglicht, auf Basis eines bereitgestellten Bilddatensatzes eine Datensynthese durchzuführen.

Als SOTA-Ansätze wurden in den Anwendungsfällen Generative Adversial Networks und Variational Autoencoders implementiert und evaluiert. Die Qualität der synthetisch generierten Daten wurde in einem anwendungsfallspezifischen Ansatz evaluiert. Dafür wurde der Originaldatensatz mit synthetischen Daten angereichert und ein auf dem modifizierten Datensatz trainiertes Klassifikationsmodell wurde evaluiert.

Je nach Anwendungsfall konnte die Verwendung synthetischer Daten signifikante Verbesserungen der Klassifikationsleistung erzielen (siehe Abbildung 1). Verbesserungen im Vergleich zu konventionellen Methoden der Anreicherung (z.B. Bildrotation und Spiegelung) zeigten sich jedoch nicht in allen Experimenten und hingen stark von der Komplexität der Klassifikation sowie der Parametrisierung der Methode zur Synthese ab.