Bei Data Augmentation handelt es sich um eine Methode, bei welcher auf Basis einer vorhandenen Datenmenge künstlich neue Daten erzeugt werden, um so die Gesamtheit der Daten zu steigern. Die Technik wird dahin gehend als vorbereitender Schritt auf dem Gebiet des maschinellen Lernens angewandt. Im Versuchsfeld wurden Ultraschalldaten bei Bohrungen in Metall aufgezeichnet. Die Daten werden freundlicherweise durch das  Institut für Mikroelektronik- und Mechatronik-Systeme in Ilmenau bereitgestellt. Ultraschallprüfungen sind ein gängiges Verfahren zur Qualitätssicherung in der Metallindustrie, um strukturelle Integrität und potenzielle Defekte zu untersuchen. Mit den Ultraschalldaten soll ein Klassifikator für die frühzeitige Erkennung von Verschleiß beim Bohrer trainiert werden.

Diese Bachelorarbeit konzentriert sich auf die Anwendung und Evaluierung von Methoden der Data Augmentation zur Erweiterung von real aufgezeichneten Ultraschalldaten bei Bohrungen von Metall. Die Verwendung von Machine-Learning-Algorithmen für die Analyse solcher Daten erfordert normalerweise eine große Menge an annotierten Beispielen. Das Hauptziel dieser Arbeit besteht darin, die Datenmenge durch Data-Augmentation-Techniken zu erweitern, um die Leistungsfähigkeit von Machine-Learning-Modellen bei der Erkennung von Defekten zu verbessern.

Die Aufgabe dieser Arbeit umfasst folgende Schritte:

In dieser Arbeit sollen die vorhandenen Daten künstlich erweitert werden. Hierfür ist in einer umfassenden Literaturrecherche der Stand der Forschung zu Methoden des Data Augmentation zu beschreiben.  Mindestens zwei für geeignet erklärte Verfahren sind auf die vorliegenden Daten anzuwenden. Der Klassifikator ist mit den künstlich erweiterten Daten zu trainieren und die Güte des Klassifikators ist mit einer geeigneten Metrik zu bewerten. Die durchgeführten Schritte, Experimente und Ergebnisse sind zu dokumentieren.