Das Sammeln von ausreichend Bilddaten ist derzeit einer der limitierenden Faktoren bei der visuellen Qualitätsinspektion mit Künstlicher Intelligenz. Der aktuelle Arbeitsprozess für die Abwicklung von Anwendungen mit überwachtem Lernen bei der preML GmbH sieht vor, dass mindestens 30 Fehlerbilder pro Fehlertyp zur Verfügung stehen. Gerade im Hinblick auf die fortwährende Individualisierung der Produktion mit vielen tausenden Produktvarianten ist es oft unwirtschaftlich genug Beispiele zu sammeln, um alle möglichen Eventualitäten abzudecken. Eine Möglichkeit diesem Problem entgegenzuwirken, ist das Lernen aus fotorealistischen, synthetischen Daten, welches in den letzten Jahren verstärkt in der KI-Forschung untersucht wird. Dabei werden mit Hilfe von Computer, basierend auf nur wenigen Eingabedaten, große Mengen künstlicher Bilder automatisch erzeugt.

Jedoch sind aktuelle Ansätze zur Nutzung synthetischen Daten mit viel manuellem Arbeitsaufwand (insbesondere Graphikdesign) für die Anpassung auf einzelne Anwendungsfälle verbunden und in ihrer Variabilität häufig auf Position und Orientierung der Objekte, sowie der Art des Hintergrunds beschränkt. Für die Anwendung in der visuellen Qualitätsinspektion muss dieser Ansatz erweitert werden, um auch auf Teilobjekt- und Materialebene arbeiten zu können und die Technologie automatisiert für neue Produkte einsetzbar zu machen.

.

Dieses Forschungsprojekt verfolgt den Ansatz vorhandene 3D-CAD Daten automatisch in einen vielfältigen Bilddatensatz mit Defekten und dazugehörenden Annotationen umzuwandeln. Dazu wird aus einer Bibliothek von Materialien automatisch das passende Material basierend auf den Materialinformationen im CAD Modell ausgewählt. Zufällige Defekte können durch die Verwendung generativer Texturen erzeugt werden.

Die Verwertung der Forschungsergebnisse ist in Form eines Software Moduls in der internen Software Architektur der preML GmbH vorgesehen, sowie als neue zu entwickelndes Softwareprodukt mit Benutzeroberfläche, welches sich direkt an Anwender aus Industrieunternehmen richtet. Die Verwertung der Forschungsergebnisse ist in Form eines Software Moduls in der internen Software Architektur der preML GmbH vorgesehen, sowie als neue zu entwickelndes Softwareprodukt mit Benutzeroberfläche, welches sich direkt an Anwender aus Industrieunternehmen richtet. Dadurch wird eine effizientere Produktion ermöglicht, was die Kosten der Unternehmen reduziert, sowie durch die dadurch ermöglichte frühe Defekterkennung ein wichtiger Beitrag zur Ressourcenschonung und damit zur wichtigen CO2 Reduktion beiträgt.

#synthetic data #computer vision #machine learning #visual quality control