Zusammenfassung
In diesem Beitrag werden intelligente Qualitätssicherungslösungen für die automatisierte Erkennung verschiedener Fehlerklassen im industriellen Fertigungsprozess auf Basis optischer Bilderfassung, intelligenter digitaler Bildverarbeitung sowie Verfahren der Künstlichen Intelligenz vorgestellt. Hierbei werden schnelle automatisierte QS-Lösungen, sowohl für den Kunststoffspritzguss von Bauteilen im Automobilbau auf der Basis Robotik-assistierter Farbbildaufnahmen, als auch für die Metalloberflächenanalyse im Fräsbearbeitungsprozess auf der Basis von Farbbildern, aufgezeigt.
Für beide QS-Lösungen ist die Realisierung einer angepassten Bildverarbeitungs- und Mustererkennungskette sowie angepasster leistungsfähiger Algorithmen der Künstlichen Intelligenz (KI) mit hoher Generalisierungs- und Abstraktionsfähigkeit auf Basis gewonnener Bildinformationen essentiell. Die wesentlichen Voraussetzungen und Schritte zur Lösung der beiden QS-Aufgaben werden vorgestellt und die verschiedenen Aspekte einer angepassten Bilderfassung, eines KI-Klassifikationsroutinen-Designs sowie der Validierung der Klassifikationsleistung und mögliches Optimierungspotential durch eine ressourcenschonende und effiziente Datennutzung unter künstlicher Datenaugmentierung unterrepräsentierter Klassen beleuchtet. Eine mögliche Performance-Steigerung von vortrainierten Deep-Learning-Modellen wird sowohl für die synthetische Bilddatensatzerweiterung unter Verwendung von klassischen Bildverarbeitungsmethoden als auch für die innovative Bilddatensatzerweiterung unter Verwendung von Generative Adversarial Networks (GANs) für die beiden gewählten QS-Applikationen aufgezeigt.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
VDMA Fachabteilung Industrielle Bildverarbeitung im Fachverband Robotik + Automation: Schlüsseltechnologie für die Automatisierung: Industrielle Bildverarbeitung 2017/18: Anwendungen – Produkte – Bezugsquellen (2016)
Posada, J., Toro, C., Barandiaran, I., Oyarzun, D., Stricker, D., Amicis, R. de, Pinto, E.B., Eisert, P., Döllner, J., Vallarino, I.: Visual computing as a key enabling technology for industrie 4.0 and industrial internet. IEEE Computer Graph. Appl. 35(2), 26–40 (2015)
Nölling, S.: Überblick zum Stand der Technik in der Oberflächeninspektion für Metall- und Faserverbundwerkstoffe. https://wiki.zimt.uni-siegen.de/fertigungsautomatisierung/index.php/%C3%9Cberblick_zum_Stand_der_Technik_in_der_Oberfl%C3%A4cheninspektion_f%C3%BCr_Metall-_und_Faserverbundwerkstoffe. Zugegriffen: 16. Febr. 2015
Jiang, X., Scott, P., Whitehouse, D. J.: Wavelets and their applications for surface metrology. CIRP Ann. -Manufact. Technol. 57(1), 555–558 (2008)
Xie, X.: A review of recent advances in surface defect detection using texture analysis techniques. ELCVIA Electron. Lett. Comput. Vision Image Anal. 7(3), 1–22 (2008)
Fuß, M.: Verfahren zur Automatisierung der visuellen Oberflächeninspektion mit Hilfe der Bildverarbeitung. ZESS-Forschungsberichte, Shaker Verlag, Dissertation, Siegen (1997)
Schramm, U.: Automatische Oberflächenprüfung mit neuronalen Netzen. Dissertation, Erlangen (1994)
Effenberger, I., Fulga, S.: Kombinierte Inspektion von Faserverbundwerkstoffen mit Computertomographie und Thermographie. In: Fraunhofer IPA Control Eventforum 2013. https://www.ipa.fraunhofer.de/content/dam/ipa/de/documents/UeberUns/Leitthemen/Leichtbau/Kombinierte_Inspektion_von_Faserverbundwerkstoffen.pdf Zugegriffen: 10. März 2023
Stephani, H., Weibel, T., Moghiseh, A.: Modellbasiertes Lernen in der Oberflächeninspektion. at-Automatisierungstechnik 65(6), 406–415 (2017)
Schwarzbauer, T., Welk, M., Mayrhofer, C., Schubert, R.: Automated quality inspection of microfluidic chips using morphologic techniques. In: International Symposium on Mathematical Morphology and Its Applications to Signal and Image Processing, S. 508–519. Springer, Berlin (2013)
Camastra, F., Vinciarelli, A.: Machine learning for audio, image and video analysis: Theory and applications. Springer, London (2008)
Lecun, Y., Bengio, Y., Hinton, G.: Deep learning. Nature 521(7553), 436 (2015)
Marcus, G.: Deep learning: A critical appraisal. arXiv:1801.00631. https://export.arxiv.org/ftp/arxiv/papers/1801/1801.00631.pdf Zugegriffen: 10. März 2023
Witten, I.H., Frank, E., Hall, M.A., Pal, C.J.: Data mining: Practical machine learning tools and techniques, 4. Aufl. Morgan Kaufmann, Cambridge (2017)
MVTec Software GmbH: HALCON/HDevelop: Operatorreferenz (de). https://www.mvtec.com/doc/halcon/1911/en/toc_deeplearning.html Zugegriffen: 10. März 2023
Goodfellow, I.J., et al., Generative adversarial nets. In: Proceedings of the 27th International conference on neural information processing systems – Volume 2, S. 2672–2680. MIT Press, Montreal, Canada (2014)
Zhong, Z., Zheng, L., Kang, G., Li, S., Yang, Y.: Random erasing data augmentation. Proc. AAAI Conf. Artif. Intell. 34(7), 13001–13008 (2020)
Yang, S., Xiao, W., Zhang, M., Gou, S., Zhao, J., Shen, F.: Image data augmentation for deep learning: A survey. arXiv: 2204.08610. https://arxiv.org/pdf/2204.08610.pdf. Zugegriffen: 10. März 2023
Shorten, C., Khoshgoftaar, T.M.: A survey on image data augmentation for deep learning. J. Big Data 6(1), 60 (2019)
Wunsch, L., Anding, K., Polte, G., Liu, K., Notni, G.: Data augmentation for solving industrial recognition tasks with underrepresented defect classes. IMEKO TC1-TC7-TC13-TC18 Joint Symposium, Porto, Portugal (2022)
Karras, T., Laine, S., Aila, T.: Supplemental material: A style-based generator architecture for generative adversarial networks. arXiv:1812.04948. https://arxiv.org/pdf/1812.04948v1.pdf. Zugegriffen: 10. März 2023
Simonyan, K., Zisserman, A.: Very deep convolutional networks for large-scale image recognition. arXiv: 1409.1556. https://arxiv.org/pdf/1409.1556.pdf Zugegriffen: 10. März 2023
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2023 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this paper
Cite this paper
Polte, G., Anding, K., Liu, K., Garten, D., Wunsch, L., Notni, G. (2023). Intelligente Qualitätssicherung im industriellen Produktionsprozess unter Verwendung von KI-Algorithmen. In: Gröger, S. (eds) Nachhaltiges Qualitätsdatenmanagement. GQWT2 2022. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-40588-5_7
Download citation
DOI: https://doi.org/10.1007/978-3-658-40588-5_7
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-40587-8
Online ISBN: 978-3-658-40588-5
eBook Packages: Computer Science and Engineering (German Language)