Die zuverlässige Unterscheidung von Graffiti und regulären Oberflächen-

mustern an Personenverkehrszügen stellt in der Praxis weiterhin eine Herausforderung

dar. Frühere Arbeiten, unter anderem im Projekt ESPEK (Erkennung von Schad-

mustern an Personenverkehrszügen und Evaluierung der Konfidenz zur Auswahl robuster Features für ”Predictive Maintenance“), zeigen, dass Deep-Learning-Modelle

Graffiti grundsätzlich erkennen können, jedoch insbesondere bei seltenen Musterformen, variierenden Beleuchtungsbedingungen und werksseitigen Beklebungen an ihre

Grenzen stoßen. Reale Trainingsdaten bilden diese Variabilität nur unzureichend

ab.

In diesem Beitrag wird untersucht, inwieweit synthetisch erzeugte Bilder zur gezielten

Erweiterung eines bestehenden Trainingsdatensatzes beitragen und die Robustheit

eines KI-basierten Graffiti-Detektors verbessern können. Hierzu werden vollständig

synthetische sowie hybride Bilddaten generiert und gemeinsam mit realen Trainings-

daten evaluiert. Die Experimente analysieren sowohl die Reduktion von Fehlklassifikationen als auch den Einfluss des Domain Gaps zwischen realen und synthetischen

Daten.