>> wenn wer erfahrung mit NN zur bilderkennung hat, bitte mal seine erfahrung kundtun

So einfach ist das nicht. Das erste Problem ist es die Bildpunkte der Bilder ins NN zu bekommen. Du kannst nicht einfach ein 240x120 Pixelbild direkt in ein NN einspeisen, das wären dann 28800 Input Neuronen. Dieses Netzwerk wäre enorm groß und langsam. Zudem steigt mit jedem Inputneuron die "Untrainierbarkeit" eines NN's.

Bei der Schrifterkennung benutzt man meistens eine 3'er Matrix, man berechnet die Summen über die Spalten,Zeilen und Diagonalen und kommt so auf eine Input-Neuronen-Schicht mit 120+240+240 = 600 Neuronen für ein 240*120 Bild. Das ist immer noch sehr viel und deshalb wird das Bild vorher bearbeitet. Man reduziert die Farbanzahl auf Monochrom und verkleinert das Bild sehr stark. Meistens kommt man dann auf einen Inputneuronen Layer mit ca. <= 128 Neuronen.

Normalerweise zerlegt man successive zB. ein 240x120 Bild in kleinere Blöcke. Diese Zerlegung ist rekursiv und man fängt mit 4 Teilbilder an. Zu jedem Teilbild wird eine "Summe" gebildet und so die beiden Bilder verglichen oder eben nach Kanten gesucht. Das erfolgversprechenste dürfte die Suche nach Kanten sein, man vektorisiert also die Bilder. Übrig bleiben dann nur wenige und eindeutige Vektoren die dann zwischen den beiden vektorisierten Bildern verglichen werden können.

Falls man aber schon so weit die Bilder verarbeitet hat lohnt sich ein NN garnicht mehr. Ein normaler mathematischer Algorithmus würde jedes Netzwerk in der Performance und auch Genauigkeit übertreffen.

Das NN könnte aber zur frühzeitigen Fehlererkennung herangezogen werden. D.h. die normalen math. Algorithmen die aus den Vektroren die Entfernung ermitteln sollen sind sehr schwer fehlertolerant zu bekommen. Wenn sie also auf nicht auswertbare Bilder treffen funktionieren sie überhaupt nicht und verbrauchen zuviel Rechenpower um diese Fehler zu erkennen. Das NN kann durch das Training solche Aufgaben viel schneller und mit besseren Wahrscheinlichkeiten erkennen.

Gruß Hagen