Mit dem Aufkommen von Elektrolichtbogenöfen (EAFs) in der Stahlproduktion verlagert sich die Branche hin zu nachhaltigeren und flexibleren Stahlproduktionsprozessen auf Recyclingbasis. In diesem Zusammenhang sind die automatisierte Klassifizierung und Segmentierung von Stahlschrott essenziell, können aber eine Herausforderung darstellen, da sich die Klassendefinitionen mit der Zeit ändern oder neue Schrottarten eingeführt werden. In dieser Arbeit wird untersucht, ob Kontrastives Lernen (CL) Computer Vision (CV)-Systeme bei der Anpassung an solche sich entwickelnden Klassenstrukturen unterstützen kann. Es wird eine mehrstufige Segmentierungspipeline entwickelt und evaluiert, wobei ein CL-basierter Ansatz mit dem Self-Organizing Features (SOF)-Verlust mit einer standardmäßigen, nicht-kontrastiven Baseline verglichen wird, die mit dem Categorical Cross-Entropy (CCE)-Verlust trainiert wurde. Um dynamische Klassenszenarien zu simulieren, wird eine Klasse während des anfänglichen Trainings ausgeschlossen und erst später während des Fine-Tunings eingeführt. Während beide Modelle nach der letzten Trainingsphase eine ähnliche Segmentierungsleistung erreichen, erzielt das kontrastive Modell nach der ersten Segmentierungs-Trainingsphase deutlich bessere Ergebnisse. Dies deutet darauf hin, dass CL in frühen Phasen, in denen nur partielles Klassenwissen verfügbar ist, das Lernen von robusteren und allgemeineren Merkmalen ermöglichen kann. Diese Ergebnisse unterstreichen das Potenzial von CL als Grundlage für adaptive, zukunftssichere CV-Systeme in dynamischen Industrieumgebungen wie dem EAF-basierten Stahlrecycling.
| Datum der Bewilligung | 2025 |
|---|
| Originalsprache | Englisch |
|---|
| Gradverleihende Hochschule | |
|---|
| Betreuer/-in | Stephan Dreiseitl (Betreuer*in) & Raphael Pisoni (Betreuer*in) |
|---|
- Data Science und Engineering
Dynamic Adaptation of Classification and Segmentation Models for Evolving Steel Scrap Classes Using Contrastive Learning
Preining, J. (Autor). 2025
Studienabschlussarbeit: Masterarbeit