Schadensauswertung von Steinschlägen mit Machine Learning

Exploring Project

Ausgangssituation

Der Unterboden von Automobilen muss vor Schäden geschützt werden. Diese können beispielsweise durch kleine Fremdkörper wie Kies entstehen, die beim Fahren hochgeschleudert werden, und müssen dann erkannt werden. Hierfür wird im Laborversuch scharfkantiger Stahlkies mittels Druckluft auf Probenkörper geschossen und das Schadensbild anhand Vergleichsbildern oder durch manuelles Auszählen ausgewertet. Probleme ergeben sich, weil die Beurteilung ein Stück weit subjektiv und zudem sehr aufwendig ist. Durch eine digitale automatische Analyse des Schadensbildes können mehr und genauere Kennwerte mit größerer Konsistenz und Objektivität erfasst werden.

Lösungsidee

Dieses Exploring Project zielte darauf ab, die Robustheit und Flexibilität des aktuellen KI-basierten Erkennungssystems für Steinschlagschäden aus dem vorangegangenen Quick Check zu verbessern und gleichzeitig neue Trainingsmethoden zu testen. Mit der gestiegenen Komplexität der Daten haben sich zudem die manuellen Labeling-Bemühungen erheblich erhöht. Um dies zu erleichtern, wurde ein halbautomatisiertes Labeling-Tool entwickelt. Dieses Tool erzeugt einen großen gelabelten Datensatz, der genutzt werden kann, um genauere Modelle zu trainieren.

Flussdiagramm für eine halbautomatisierte Machine-Learning-Pipeline

Nutzen

• Verbesserte Auswertung und Dokumentation über mehrere Stufen einer Laborprüfung hinweg
• Schnelle und einfache Quantifizierung/Zählung des Schadens • Um große Mengen an Trainingsdaten schnell und zuverlässig zu generieren, wird das Labeling durch die Entwicklung von »Semi-automated labeling« unterstützt und vereinfacht
• Unterschiedliche Schadensmechanismen in der Praxis können genauer analysiert und zwischen verschiedenen Bereichen des Fahrzeugs verglichen werden
• Die Erkennung der Schadensmechanismen erlaubt die Entwicklung von neuartigen und langlebigeren Lackiersystemen und -strategien

Umsetzung der KI-Applikation

Ein Grundmodell namens »Segment Anything« erstellt ein vielseitiges Segmentierungsmodell, das Objekte in Bildern identifizieren kann. Mit diesem Modell kann das neue »Semi-automated Labeling-Tool« Begrenzungsrahmen um die fehlerhaften Bereiche ziehen. Obwohl der Datensatz begrenzt ist und die Merkmale kleiner sind, ist die Leistung des getesteten Objekterkennungsmodells tatsächlich noch nicht so genau wie die Modelle aus dem Quick Check. Dennoch hat es vielversprechende Ergebnisse gezeigt und wird voraussichtlich mit einem größeren Datensatz weiter verbessert.