RUB » Bibliotheksportal

Amelie Haudan, Christoph Warzecha, Baris Özcan

• Im Bauwesen werden vermehrt Prozesse digitalisiert und maschinelle Lernverfahren eingesetzt, so zum Beispiel auch zur automatischen Erkennung von Bauwerksschäden auf Bildaufnahmen. Hier stellt speziell die Bilderkennung durch ein faltendes neuronales Netz (engl. Convolutional Neural Network, CNN) ein großes Potential dar. Diese Technologie bringt viele Chancen mit sich, führt jedoch auch zu einer steigenden Komplexität der Modelle und den dahinterstehenden mathematischen Funktionen. Das verursacht ein geringes Anwendervertrauen und eine zögerliche Nutzung solcher Modelle. Um die Skepsis gegenüber künstlicher Intelligenz zu verringern, können die algorithmischen Entscheidungsprozesse mittels erklärbarer künstlicher Intelligenz (engl. Explainable Artificial Intelligence, XAI) nachvollzogen werden. Zwei aktuelle XAI-Ansätze sind Layer-wise Relevance Propagation (LRP) und Local Interpretable Model-Agnostic Explanations (LIME). LRP ermittelt die Entscheidungsrelevanz jedes Eingabeneurons durch Rückrechnung der Vorhersagen des CNN-Modells über das gesamte neuronale Netz.Im Gegensatz dazu nähert LIME das CNN-Modell an ein interpretierbares Modell an, das durch Störungen der Eingabedaten erlernt wird. Im vorliegenden Beitrag werden LRP und LIME zur bildbasierten Risserkennung in Betonoberflächen untersucht. Beide Verfahren stellen sich als effektiv heraus, wobei LRP die Relevanz einzelner Pixel bestimmt und LIME Superpixel berücksichtigt.