Der Geschäftsbereich Infrarot-Messtechnik der InfraTec GmbH ist seit mehr als 25 Jahren auf dem Gebiet der Infrarotmesstechnik, berührungslosen Temperaturmessung und Thermografie tätig. InfraTec liefert seit über 10 Jahren Systeme zur Qualitätsüberwachung beim sogenannten Warmumformen für beispielsweise Prüfprozesse mittels Wärmebildkameras als Basis eines automatisierten Systems in der Automobilproduktion. Im gemeinsamen Umsetzungsprojekt werden zur Verbesserung der Prüfprozesse Methoden des Maschinellen Lernens eingesetzt. In einem ersten Schritt wurden die Positionen von Bauteilen angelernt, um im nächsten Schritt automatisiert diese angelernte Position für Folgebauteile zu prüfen.  Dies dient vor allem dazu, teure Maschinenschäden zu vermeiden.

|| © Fraunhofer IWU

Ein erstes Zwischenergebnis stellt die Identifikation von Positionen sehr einfacher Bauteilgeometrien dar. Dazu wurden thermografische Aufnahmen von Bauteilen nach dem Umformprozess untersucht. In einem Testdatensatz wurden dafür Bilder von Bauteilen bereitgestellt, deren Positionierung bereits als korrekt oder inkorrekt eingestuft wurde. Diese Bilder dienten dem Training von robusten Algorithmen, um die Lage von weiteren Bauteilen durch Bildverarbeitungsalgorithmen automatisiert zu erkennen. Zusammen mit dem Wissen über deren Qualität konnten Bauteile unbekannter Qualität bereits mit einer Genauigkeit von über 90% korrekt eingeordnet werden. Aus diesen gewonnenen Erkenntnissen kann weiterhin abgeleitet werden, ob die Positionierung der Bauteile im Fertigungsprozess korrekt erfolgt ist. Ebenso sollen aus den Bilddaten bestmöglich und automatisiert qualitätsbeschreibende Bauteileigenschaften gewonnen werden.

In den bisher bereitgestellten Daten waren bereits Qualitätseigenschaften von Bauteilen basierend auf deren Position nach dem Umformprozess hinterlegt. In einem nächsten Schritt soll gänzlich ohne Vorwissen herausgefunden werden, ob Bauteile als korrekt oder inkorrekt positioniert erkannt werden können. Hintergrund ist, dass es einen hohen manuellen Aufwand erfordert, die Bilder einzuordnen und auch nur eine geringe Menge inkorrekt positionierter Bauteile vorhanden ist, wodurch die Datenbasis für das Training entsprechender Algorithmen sehr gering ist. Zudem werden bereits erstellte Machine Learning Modelle für die Betrachtung komplexerer Bauteile ausgeweitet.

Umsetzungsprojekte
künstliche Intelligenz , Leistung bringen! , Maschinelles Lernen

Mit Maschinellem Lernen zur richtigen Parametrierung

WEITERLESEN