»Die Kooperation gibt uns die Möglichkeit, moderne und komplexe IT‑Tools nach unseren Vorstellungen zu entwickeln, die unser Know‑How in digitalen Systemen anwendbar macht. Durch die freundliche und vertrauensvolle Zusammenarbeit konnten wir wichtige Erkenntnisse sammeln und werden die Möglichkeiten von Machine Learning optimal für uns nutzen.«

Tillmann Schulte

Institut für Oberflächentechnik GmbH

Schadensauswertung mit Machine Learning

Quick Check

Ausgangssituation

Der Unterbodenbereich von Automobilen ist starken mechanischen und korrosiven Belastungen ausgesetzt. Steine und Kies auf der Straße können den Korrosionsschutz durchschlagen und so zu frühzeitiger Korrosion und eventuell Ausfall von wichtigen Teilen führen. Um vor dieser Gefahr zu schützen, werden Steinschlagschutzlackierungen eingesetzt, die auf ihre Eignung getestet werden müssen. Dazu wird im Labor mit Druckluft scharfkantiger Stahlkies auf die Proben geschossen. Das entstehende Schadensbild kann nun entweder optisch durch Vergleichsbilder, durch manuelles Zählen oder durch teure Spezialgeräte bewertet werden. Das macht die Bewertung entweder sehr kostenintensiv, aufwendig oder ungenau. Wenn normale Fotos als Grundlage für eine Auswertung dienen können, die durch Bilderkennung und maschinelles Lernen gestützt wird, kann eine deutlich differenzierte Bewertung von Quantität und Qualität erfolgen, als bisher möglich ist. Durch die Komplexität der entstehenden Schadensmuster ist der Einsatz von Methoden der KI zur Fotoauswertung erforderlich. Außerdem ist die Bewertung schneller und prinzipiell auch über Entfernung möglich.

Lösungsidee

Bei diesem Quick Check werden fast alle Arten von Schadensmustern mit einem Objektdetektor erkannt. Der Objektdetektor ermöglicht es, die Anzahl der Defekte auf der Oberfläche zu zählen und die Lage der Defekte zu bestimmen. Anhand dieser Informationen kann auch die Größe der Schäden durch Kalibrierung der Bilder berechnet werden. Die Schadensmuster werden durch Labortests erzeugt, bei denen scharfkantiger Stahlkies mit unterschiedlich starker Druckluft beaufschlagt wird. Um den Objektdetektor zu trainieren, ist eine vorherige Annotation in Form von Bounding-Boxen der Oberflächendefekte erforderlich.

© IFO GmbH – Inferenz von Objektdetektor auf Probe

Nutzen

  • Unabhängigkeit von Probengeometrien, da prinzipiell jede Topologie und Geometrie von Proben erkannt und bewertet werden kann
  • Verbesserte Auswertung und Dokumentation über mehrere Stufen einer Laborprüfung hinweg
  • Eine Quantifizierung/Zählung des Schadens ist schnell und einfach möglich
  • Unterscheiden von verschiedenen oberflächlichen Schäden (bspw. Durchschlägen durch die gesamte Schutzschicht) wird vereinfacht
  • Die Richtung und Energie des Einschlags könnte durch erweiterte Auswertungen erkannt werden
  • Unterschiedliche Schadensmechanismen in der Praxis können genauer analysiert und zwischen verschiedenen Bereichen des Fahrzeugs verglichen werden
  • Erkennung der Schadensmechanismen erlaubt die Entwicklung von neuartigen und langlebigeren Lackiersystemen und -strategien
  • Potential für neuen Industriestandard und Aufnahme in Technische Lieferbedingungen von OEMs aufgrund von Schnelligkeit, Genauigkeit und erweitertem Informationsgehalt der Prüfung

Umsetzung der KI-Applikation

Als Grundlage für das ML-Modell wurde eine der bekannten Architekturen zur Objekterkennung namens YOLO ausgewählt. Der Objektdetektor unterteilt Bilder in ein Gittersystem. Für jede Zelle des Gitters wird die Objekterkennung durchgeführt. Der Objektdetektor wird anhand von 41 manuell annotierten Bildern trainiert. Eine zusätzliche Vorverarbeitung der Daten ist erforderlich, um das Problem der Datenknappheit zu lösen. Der Objektdetektor erzielt eine mittlere durchschnittliche Genauigkeit von etwa 0,85 bei einer Überdeckung von mindestens 50%.