Autor

David Fehrenbach

David is Managing Director of preML and writes about technology and business-related topics in computer vision and machine learning.

Bei der Entwicklung von optischen Inspektionssystemen für die Bauindustrie müssen Sie sich einigen einzigartigen Herausforderungen stellen:

  1. Ihre Systeme arbeiten in schwierigen Umgebungen, oft schmutzig, rau und schwer zugänglich
  2. Sie haben nur eine geringe Anzahl von tatsächlichen Fehlerbildern pro Kategorie, um Modelle zu trainieren
  3. Sie sind mit sich schnell ändernden Anforderungen und Kamerapositionen konfrontiert

Im folgenden Artikel möchten wir einige unserer Erfahrungen mit optischen Inspektionssystemen in der Baubranche teilen. Sie haben andere Erfahrungen oder denken, wir haben etwas Relevantes übersehen?

Wir freuen uns auf Ihr Feedback unter contact@preml.io

Wie funktionieren optische Inspektionssysteme?

Mit der Erfindung der Computer kam die traditionelle visuelle Inspektion auf die Bühne, bei der Algorithmen Bilder analysieren, um Komponenten zu inspizieren. Anwendungsfälle für solche Systeme gibt es viele, von der automatisierten Inspektion über die Führung von Robotern, Qualitätskontrolle, Sortieraufgaben und vieles mehr. In seiner einfachsten Form besteht ein Vision-System aus mindestens einer Kamera und einem Computer, auf dem die Software ausgeführt wird. Vision-Systeme können Teile vermessen, ihre Lage und Geometrie auf ihre Richtigkeit überprüfen und Form und Farbe erkennen. Das System lässt sich in laufende Prozesse integrieren und liefert ständige Informationen und Ergebnisse. Es kann auch diese Informationen verarbeiten und Entscheidungen treffen, wie z. B. eine Gut/Schlecht-Entscheidung, die einen Bediener oder Roboter zum Handeln auslöst.

Welche Anwendungsfälle gibt es in der Baubranche?

Bei preML stellen wir als erste Voraussetzung immer eine einfache Frage, damit ein optisches Inspektionssystem das Problem lösen kann: „Kann ein Mensch die Erkennungsaufgabe mit dem Auge bei gegebenem Bild lösen?“. Wenn dies der Fall ist, können viele der oben genannten Probleme bereits durch Computer-Vision-Systeme gelöst werden.

Neben der technischen Machbarkeit sind natürlich auch Situationen von Vorteil, in denen das System zu einem Gewinn in Form von Sicherheit, Qualität oder Gewinn führt. Die offensichtlichsten Anwendungsfälle sind überall dort, wo Teile für den Bau in Linie oder im Umlauf hergestellt werden, wie beispielsweise vorgefertigte Teile. Gleiches gilt für den Einbau solcher Teile in einem maschinenähnlichen Verfahren. Schwieriger, aber unter Umständen lohnenswert sind Instandhaltungsaufgaben, wie die Beobachtung von schwer zugänglichen Bauwerken (zB Brücken, Dämme, Windkraftanlagen).

Was sind die Herausforderungen für die optische Inspektion im Bauwesen?

Bei unseren Projekten stehen wir vor allem vor drei Herausforderungen:

1. Die Systeme arbeiten in schwierigen Umgebungen, oft schmutzig, rau und schwer zugänglich

Dieser Punkt bedarf keiner großen Erklärung. Bei den meisten Projekten haben wir es mit Staub, Wasser oder Schlamm zu tun und Kameras können in sehr hohen oder sehr engen Positionen oder sogar unter der Erde oder auf fliegenden Objekten installiert werden.

2. Es gibt nur eine geringe Anzahl von tatsächlichen Fehlerbildern pro Kategorie, um Modelle zu trainieren

Seit Jahrzehnten konzentriert sich die Branche darauf, Fehler durch Prozessoptimierung zu vermeiden. Für Computer Vision, insbesondere wenn Machine Learning (ML) verwendet wird, das starke Modelle aus großen Datensätzen lernt, ist dies eine Herausforderung. Vielen unserer Kunden fehlt eine Datenbank mit defekten Teilen. Einige haben möglicherweise 100, 10 oder noch weniger Bilder eines Defekts, den sie erkennen möchten.

3. Es gibt schnell wechselnde Anforderungen und Kamerapositionen

Mit der ständigen Verbesserung von Produkten und Prozessen steigt die Wahrscheinlichkeit, dass Vision-Inspektionssysteme schnell den festgelegten und geschulten Bedingungen nicht genügen. Produktänderungen und Veränderungen in der Produktionsumgebung gefährden Inspektionssysteme und können sogar zur Abkündigung des ursprünglichen Systems führen.

Wie gestaltet man erfolgreiche Systeme?

Im Folgenden teilen wir einige wichtige Erkenntnisse bei der Entwicklung und Implementierung eines erfolgreichen Systems zur Bewältigung der genannten Herausforderungen.

a) Autonom arbeitende und besonders geschützte Systeme

Obwohl der Einsatz von Cloud Computing für die meisten unserer Anwendungen technisch möglich ist, haben wir uns in all unseren aktuellen Projekten für Edge Devices entschieden. Dadurch vermeiden wir Netzwerkprobleme und garantieren maximale Zuverlässigkeit. Natürlich haben wir auch Wege gefunden, unser Hardware-Equipment entsprechend der einzigartigen Umgebung zu schützen und die oft sehr strengen Sicherheitsanforderungen (zB ATEX) zu erfüllen.

b) Seien Sie flexibel in Ihrer Modellerstellung

Wenige Bilder von Defekten zu haben, ist tatsächlich eine der komplexesten Herausforderungen, denen sich die gesamte industrielle Bildverarbeitungsindustrie und -forschung gegenübersieht. Wahrscheinlich werden wir dieses Thema eines Tages in einem speziellen Blogbeitrag diskutieren. Wie auch immer, es gibt einige Dinge, die wir tun, um solche Probleme zu lösen:

  • Kombinieren Sie traditionelle Methoden mit ML – oft sind traditionelle Algorithmen zuverlässiger und auch kostengünstiger zu entwickeln
  • ML-Modelle, die mit „nur guten“ Daten trainieren. Wir haben erfolgreich unüberwachte und halbüberwachte Algorithmen zur Anomalieerkennung auf Zieldomänen innerhalb der Bauindustrie verfeinert. (dies ist sozusagen ein Rezeptgeheimnis unserer Firma, weshalb ich im Moment nicht zu viele Details verrate)
  • Verwenden Sie projektübergreifende Datensätze für das Modelltraining
  • Wenn die oberen Punkte nicht funktionieren, gehen Sie die „Extrameile“, um qualitativ hochwertige Daten zu sammeln. Einmal sind wir buchstäblich durch Europa gereist, um einen Datensatz zu erstellen.

c) Seien Sie flexibel bei der Fehlerdefinition und erwarten Sie Änderungen in der Umgebung

In der Produktion werden die Bedingungen angepasst. Eine akzeptierte Toleranz für eine Rissbreite von 0,4 mm kann im nächsten Monat 0,2 mm betragen. Außerdem kann die Definition eines Mangels sehr subjektiv sein und es kommt häufig zu Meinungsverschiedenheiten zwischen zwei Inspektoren. Daher kooperieren unsere Annotations- und Softwareentwicklungsprozesse und erwarten Änderungen in Umgebung und Spezifikationen.

Zusammenfassung

Optische Inspektionssysteme können die Qualitätsprozesse in der Bauindustrie erheblich vereinfachen und verbessern. Dabei ist ML nicht die Lösung für alle Probleme, oft sind traditionelle Methoden immer noch die beste Option, um ein Problem zu lösen. Es gibt jedoch verschiedene Einsatzmöglichkeiten von ML, um Prozesse effektiver, autonomer und kostengünstiger zu gestalten. Wie bei jedem Projekt zahlt es sich aus, die Spezifikation klar zu definieren und Problemlösungen gut zu recherchieren und abzuwägen. Durch das Stellen der richtigen Fragen und den Einsatz der richtigen Werkzeuge in der Produktion ist es möglich, mit ML auch in rauen Umgebungen wie der Bauindustrie Werte zu schaffen und Ihre Prozesse effizienter und besser zu gestalten.

Über uns

Die preML GmbH ist ein Computer Vision Start-up, das kundenspezifische Lösungen im Bereich Bildverarbeitung und Objekterkennung für die Industrie und das Baugewerbe entwickelt. Ein Schwerpunkt liegt auf der Erkennung und Überwachung von Bauteilen, insbesondere aus Beton, mit Hilfe von Kameratechnik und intelligenten Algorithmen. Das Start-up wurde 2020 am KIT aus dem Fachbereich Informatik gegründet und hat seinen heutigen Hauptsitz in Lahr im Schwarzwald.

Autor

David Fehrenbach

David is Managing Director of preML and writes about technology and business-related topics in computer vision and machine learning.