KI-basierte Sichtprüfung mithilfe von synthetisch erzeugten Fehlerbildern

Quick Check

Ausgangssituation

Bei der Prüfung von medizinischen Produkten müssen Fehler wie Kratzer, Risse etc. sicher erkannt werden. Derzeit ist diese Prüfung ein manueller, repetitiver und nicht reproduzierbarer Prozess. Weiterhin können die Defekte nur wenige Mikrometer tief sein, sodass sie mit bloßem Auge nur mit hoher Anstrengung sichtbar sind. Eine automatisierte Lösung dieser Qualitätskontrolle stellt die Sichtprüfung mithilfe eines Kamerasystems dar. Herausfordernd bei der Entwicklung eines solchen Prüfsystems ist die geringe Anzahl an Bauteilen mit Defekt. Trotz einer 100%-Prüfung gibt es nur wenige Bauteile mit einem Defekt, anhand derer ein System eingelernt und getestet werden kann. Da für das Training eines KI-Modells aber ein großer Datensatz notwendig ist, wird im Projekt mit synthetischen Trainingsdaten gearbeitet.

Lösungsidee

Mithilfe von physikalischer Simulation wird aus einem 3D-Modell des zu prüfenden Bauteils ein fotorealistisches Bild erzeugt. Hierfür wird ein detailliertes Modell des Bauteils, des Materials, der Beleuchtung und der Defekte erstellt. Auf Basis dieser virtuellen Szene können automatisiert beliebig viele Bilder des Bauteils erzeugt werden, aus denen dann ein Trainingsdatensatz für ein KI-Modell erstellt wird. Die Sichtprüfung wird dabei als Objektdetektion interpretiert. Ein KI-basierter Objektdetektor erlernt anhand der synthetischen Trainingsbilder die Merkmale der Defekte. Anschließend wird das trainierte Modell auf realen Kamerabildern der Bauteile mit Defekt getestet.

Nutzen

Für eine automatisierte Sichtprüfung ist es notwendig, Defektstellen sehr sicher und zuverlässig zu erkennen. Bei KI-basierten Ansätzen ist die Qualität der Ergebnisse jedoch maßgeblich von den Trainingsdaten abhängig. Weil für eine Automatisierung nicht ausreichend Fehlerteile zur Verfügung stehen, kann ein KI-Modell ausschließlich mit synthetisch erzeugten Bildern trainiert werden. Das Modell wird danach anhand von realen Bildern von Bauteilen mit Defekt getestet. Es erkennt die Defektstellen zuverlässig, auch wenn diese nur als feine Risse auf der Oberfläche sichtbar sind. Somit kann eine KI-basierte Sichtprüfung den monotonen und repetitiven manuellen Arbeitsschritt ersetzen.

Umsetzung der KI-Applikation

Beim Training eines KI-Modells mit synthetischen Daten besteht ein Domänenunterschied zwischen realen und synthetischen Daten. Dieser kann durch eine detaillierte Modellierung der Bauteile reduziert werden. Zusätzlich werden möglichst variantenreiche synthetische Trainingsdaten erzeugt. So variieren bspw. die Beleuchtung, die Materialparameter und das Erscheinungsbild der Defekte bei jedem Bild zufällig. Die Netzwerkarchitektur wird für das Training mit synthetischen Daten angepasst. Zusätzlich werden problemspezifische Optimierungen der Hyperparameter durchgeführt, sodass das KI-Modell auf realen Testbildern zuverlässig Defekte erkennen kann.

Partnerunternehmen

»Bei der Suche nach verschiedenen Ansätzen, um fehlerhafte Produkte sicher zu identifizieren, haben wir mit dem Quick Check wertvolle Einblicke gewonnen. Diese Erfahrungen im Bereich Machine Learning und beim Training mit synthetischen Bildern haben unser Verständnis für solche Systeme vertieft und ihre Potenziale und Möglichkeiten beleuchtet.«

- Nils Mutschler, Produktionsingenieur