В связи с растущими требованиями к функциональности механических компонентов точное определение характеристик поверхности становится все более важным. Такие расчетные характеристики необходимо постоянно контролировать в процессе производства. Однако, для исследования свойств поверхности, с необходимой точностью можно измерить только небольшой участок поверхности. Это связано с необходимостью увеличения объектива. Следовательно, для исследования поверхности необходимы многократные измерения. Идея преодоления этой проблемы состоит в том, чтобы измерить поверхность с низким разрешением и затем искусственно увеличить разрешение. Процесс увеличения разрешения называется супер-разрешением. Тема и название этой работы: Использование нейронных сетей для построения 2,5D изображений микроструктурированных поверхностей высокого разрешения. Эта дипломная работа посвящена реализации нейронных сетей для увеличения разрешения карт высот 2.5D с технических поверхностей. С этой целью в данной работе проводится сравнение различных сетевых архитектур и функций потерь на двух разных наборах данных. Представлена цепочка процессов для обработки карт высот 2.5D перед их сохранением в наборе данных. Для архитектуры предлагается решение со сверточными нейронными сетями (CNN), в то время как с помощью функций потерь, собственная функция потерь, сочетающая потерю I1 со свойствами поверхности, обещает лучшую производительность. Сравнивая разные архитектуры CNN, становится очевидным, что использование механизма внимания к каналу увеличивает производительность. Помимо архитектур и функций потерь, эта работа также предоставляет подробный анализ поведения различных свойств поверхности, показывающих, что точность гладких поверхностей выше, чем шероховатых.

Due to the growing demands on the functionalities of mechanical components, the actual production of the surface characteristics becomes more crucial. The manufacturing process needs to control such designed characteristics at all time during the manufacturing process. However, to examine the surface properties in the needed accuracy, only a small segment of the surface can be measured. This disadvantage is due to the needed magnification of the objective. Therefore, multiple measurements are necessary for an examination of the surface. The idea to overcome this problem is to measure the surface in a low resolution and increase the resolution in a second step artificially. The process of increasing the resolution is called Super Resolution. The topic and title of this work are Super-Resolution for 2.5D Height Images of Microstructured Surfaces using Neural Network.This thesis deals with the implementation of neural networks to increase the resolution of 2.5D height images from technical surfaces. For this purpose, this thesis provides a comparison of various network architectures and loss functions on two different data sets. Also introduces this work a process chain to process the 2.5D height images before saving them in the data set. For the architecture, a solution with convolutional neural networks (CNN) offers itself, while by the loss functions the pixel loss functions, like the l1 loss and an own loss function, which combines the l1 loss with surface properties, promises the best results. By comparing different CNN architectures, it stands out that using a Channel Attention mechanism increases the performance. In addition to the architectures and lossfunctions, this work also provides a detailed analysis of the performance behaviourof different surface properties showing that the accuracy depends on the propertiesand is superior for surfaces without sharp transitions like to find on smooth surfaces.